如何实现带颜色的自适应阈值滤波器答案

【问题标题】：How to achieve adaptive threshold filter with color如何实现带颜色的自适应阈值滤波器
【发布时间】：2015-01-29 20:13:40
【问题描述】：

我正在寻找一种类似于自适应阈值的算法，但它可以保持颜色。我正在尝试拍摄这样的图像：

让它看起来像这样：

如果重要的话，我在 ios 中工作。

【问题讨论】：

标签： image-processing gpuimage core-image imagefilter adaptive-threshold

【解决方案1】：

这是一个适用于您的示例图像的 CIKernel

kernel vec4 coreImageKernel (sampler i)
{
    vec2 dc = destCoord();

    // center pixel color
    vec4 c = unpremultiply(sample(i, samplerTransform(i,dc+vec2(0.0,0.0))));

    // for a whiteboard, the max of a neighborhood is likely to be the color 
    // of the whiteboard
    vec4 cmax = c;
    cmax = max(unpremultiply(sample(i, samplerTransform(i,dc+vec2(10.0,0.0)))), cmax);
    cmax = max(unpremultiply(sample(i, samplerTransform(i,dc+vec2(-10.0,0.0)))), cmax);
    cmax = max(unpremultiply(sample(i, samplerTransform(i,dc+vec2(0.0,10.0)))), cmax);
    cmax = max(unpremultiply(sample(i, samplerTransform(i,dc+vec2(0.0,-10.0)))), cmax);

    // normalize the center color according to the whiteboard color
    vec4 r = c / cmax;
    return premultiply(r);
}

那么这是如何工作的呢？那么内核的第一部分，计算cmax的部分，就是计算白板的局部颜色。这是棘手的部分。基本上，它（大约）确定了白板上没有标记时的颜色。为此，内核做了三个关键假设：

白板颜色局部变化不大
标记从白板颜色中减去
对于每个像素，它或附近的像素（10 个像素 N、S、E 或 W）没有任何标记。实际上，内核假设标记线比 10 像素细，尽管可以调整该常数）

cmax 的输出如下所示：

一旦本地白板颜色近似，只需将当前像素除以本地背景即可。这类似于如何从图像中去除色偏。

此算法类似于 WWDC13 Core Image 演示文稿中的 Haze Removal 示例。在该示例中，减去局部最小值以生成更黑的黑色。在这种情况下，局部最大值被划分为更白的白色。

：

【讨论】：

答案已经很好了，但我认为如果对给定的代码有更多的解释，它对其他人也会更有用。基本上，它是如何实现的，它实现了什么？
我同意@Trilarion。我很好奇你是如何做到这一点的。我不是 iOS 开发人员，所以你上面写的对我来说没有任何意义。我想知道你的算法的基本步骤是什么。
不错，正是我想要的。问题：当我将您的代码复制粘贴到我的代码中时，我得到了这个错误代码，不确定它是什么意思：“[compile] [CIColorKernel initWithString:] failed 因为'coreImageKernel'，字符串中的第一个内核，不符合调用CIColorKernel 的约定。”有什么想法吗？
这里会发生什么
roi 回调将是“return CGRectInset(rect,-10,-10);”

【解决方案2】：

阈值处理总是产生二进制掩码，即低于（局部自适应）阈值的像素和高于阈值的像素。如果你有那个面具，你当然可以保留原始图像的颜色信息。

因此，一个简单的方法将导致以下工作流程：

具有红、绿、蓝值的图像
红+绿+蓝相加生成灰度图
在灰度图像上通过局部自适应阈值创建灰度图像的蒙版
将蒙版应用到具有红色、绿色、蓝色值的原始图像

也可以：

具有红、绿、蓝值的图像
为只有红色（或分别为绿色或蓝色）值的图像创建三个蒙版
组合所有三个掩码（逻辑与）以获得单个掩码
将蒙版应用到具有红色、绿色、蓝色值的原始图像

这两种方法可能并不理想，但可能已经适用于大量案例，包括问题中的示例。

【讨论】：