阈值信道估计算法

① 简单阈值法和Otsu算法的根本区别是什么

区别如下：

1. Niblack算法是通过某一像素点及其邻域内像素点灰度值的均值和标准差计算得到二值化阈值的。在计算图像点(x,y)二值化阈值时，首先计算以(x,y)为中心的n*n大小的区域内像素点的灰度均值m和标准差s。灰度均值m和标准差s的计算公式如下：

2. 然后根据灰度均值和标准差计算得到点(x,y)的二值化阈值T，计算公式为T(x,y)=k*s(x,y)+m(x,y)，其中k为修正系数。最后根据计算得到的阈值T对该点进行二值化处理。将图像中所有的像素点按照此方法处理即可得到二值化图像。

3. 虽然能够实现图像的二值化，但是如果选取的区域均为背景点时，该算法会将灰度值较高的点当做是目标点，导致伪噪声的引入（针对伪噪声引入的问题，产生了Sauvola算法）。此处说明一下Sauvola算法。Sauvola算法可以说是一种改进的Niblack算法。首先也是按照上文所述方式求取灰度均值和标准差，但是采用了不同的阈值选取方法。

② canny 算法的阈值，有两个，到底是做什么用的

第一个是低阈值，第二个高阈值
高阈值比较严格，求的边缘很少，认为高阈值的边缘都是有效。低阈值宽松，求的边缘很多（一般包括了高阈值求到的边缘），其中不少是无效的边缘（反正不想要的）。
先用高阈值求边缘。canny求得的边缘希望是连在一起的（通常是封闭的），但高阈值求的边缘一般断断续续。断开的地方如果低阈值求的边缘存在，就用低阈值的边缘接上去，目的让边缘尽量都连在一起。其它情况下低阈值的边缘是不用的。

两个阈值是有区别的，高的那个阈值是将要提取轮廓的物体与背景区分开来，就像阈值分割的那个参数一样，是决定目标与背景对比度的，低的那个阈值是用来平滑边缘的轮廓，有时高的阈值设置太大了，可能边缘轮廓不连续或者不够平滑，通过低阈值来平滑轮廓线，或者使不连续的部分连接起来

③ 阈值的判定方法有哪些，图像处理方面的

阈值选择 的恰当与否对分割的效果起着决定性的作用。图像的分割方法主要包括幅度分割方法、最小错误分割法、迭代法求图像最佳分割阈值法、最大类间方差 法（大津算法）等一系列方法。
具体算法你可以再详细查

④ BP神经网络中初始权值和阈值的设定

1、首先需要了解BP神经网络是一种多层前馈网络。

⑤ Heursure阈值算法是什么

rigrsure阈值，是一种基于Stein的无偏似然估计原理的自适应阈值选择；
sqtwolog阈值，采用的是一种固定的阈值形式，它所产生的阈值为2log(length(x))
heursure阈值，是前两种阈值法的综合，所选择的是最优预测变量阈值，当信噪比很小，阈值估计有很大噪声时就需要采用这种固定的阈值形式

刚在写论文，随手粘贴过来。

⑥ 动态阈值一般有什么算法谢谢啦，没钱。。。

%本程序是利用最大类间方差算法求解自适应阈值，对图像进行分割
clear;
warning off;

web -browser
SE = strel('diamond',4);
BW1 = imread('img1.bmp');
BW2 = imerode(BW1,SE);
BW3 = imdilate(BW2,SE);
BW4 = BW1-BW3;

%rgb转灰度
if isrgb(BW4)==1
I_gray=rgb2gray(BW4);
else
I_gray=BW4;
end
figure,imshow(I_gray);
I_double=double(I_gray);%转化为双精度
[wid,len]=size(I_gray);
colorlevel=256; %灰度级
hist=zeros(colorlevel,1);%直方图
%threshold=128; %初始阈值

%计算直方图
for i=1:wid
for j=1:len
m=I_gray(i,j)+1;
hist(m)=hist(m)+1;
end
end
hist=hist/(wid*len);%直方图归一化
miuT=0;
for m=1:colorlevel
miuT=miuT+(m-1)*hist(m);
end
xigmaB2=0;

for mindex=1:colorlevel
threshold=mindex-1;
omega1=0;
omega2=0;
for m=1:threshold-1
omega1=omega1+hist(m);
end
omega2=1-omega1;
miu1=0;
miu2=0;

for m=1:colorlevel
if m<threshold
miu1=miu1+(m-1)*hist(m);
else
miu2=miu2+(m-1)*hist(m);
end
end
miu1=miu1/omega1;
miu2=miu2/omega2;
xigmaB21=omega1*(miu1-miuT)^2+omega2*(miu2-miuT)^2;
xigma(mindex)=xigmaB21;
if xigmaB21>xigmaB2
finalT=threshold;
xigmaB2=xigmaB21;
end
end
fT=finalT/255 %阈值归一化
T=graythresh(I_gray)%matlab函数求阈值
for i=1:wid
for j=1:len
if I_double(i,j)>finalT
bin(i,j)=1;
else
bin(i,j)=0;
end
end
end
figure,imshow(bin);
figure,plot(1:colorlevel,xigma);
已发送，请查收，发送邮箱[email protected] ,你的邮箱名是错的，弹回来了。反正这里也有，不发了。

⑦ BP神经网络初始权值和阈值

请理解程序中的变量含义：

1. inputnum：输入层节点数
   

2. hiddennum：隐层节点数
   

3. outputnum：输出层节点数

因此，当输入为3时，如果前面有inputnum=size(P,1);语句，将会自适应确定输入节点数；如果没有使用该语句，直接将inputnum赋值为3即可，即加上inputnum=3;

你这段代码是GA-BP神经网络最后的染色体解码阶段的代码，注意染色体编码结构为：输入层与隐层间权值矩阵、隐层阈值、隐层与输出层间权值矩阵、输出层阈值。

⑧ matlab中图像怎么找到阈值

给你提供2种方法，一种是直方图阈值法；一种是最大类间方差
1、直方图阈值法
用 MATLAB实现直方图阈值法：
I=imread(' c4.jpg ');
I1=rgb2gray(I);
figure;
subplot(2,2,1);
imshow(I1);
title(' 灰度图像')
axis([50,250,50,200]);
grid on; %显示网格线
axis on; %显示坐标系
[m,n]=size(I1); %测量图像尺寸参数
GP=zeros(1,256); %预创建存放灰度出现概率的向量
for k=0:255
GP(k+1)=length(find(I1==k))/(m*n); %计算每级灰度出现的概率，将其存入GP中相应位置
end
subplot(2,2,2),bar(0:255,GP,'g') %绘制直方图
title('灰度直方图')
xlabel('灰度值')
ylabel(' 出现概率')
I2=im2bw(I,150/255);
subplot(2,2,3),imshow(I2);
title('阈值150的分割图像')
axis([50,250,50,200]);
grid on; %显示网格线
axis on; %显示坐标系
I3=im2bw(I,200/255); %
subplot(2,2,4),imshow(I3);
title('阈值200的分割图像')
axis([50,250,50,200]);
grid on; %显示网格线
axis on; %显示坐标系

2、自动阈值法：Otsu法
用MATLAB实现Otsu算法：
clc
clear all
I=imread(' c4.jpg ');
subplot(1,2,1),imshow(I);
title('原始图像')
axis([50,250,50,200]);
grid on; %显示网格线
axis on; %显示坐标系
level=graythresh(I); %确定灰度阈值
BW=im2bw(I,level);
subplot(1,2,2),imshow(BW);
title('Otsu 法阈值分割图像')
axis([50,250,50,200]);
grid on; %显示网格线
axis on; %显示坐标系

⑨ 什么是差分阈值法

差分阈值法是一种适合于对实时性较高的心电信号QRS波检测的快速算法，其基本原理是：由于QRS波是心电信号波形变化最剧烈的地方，其波形的上升斜率或是下降斜率与其他波形相比有显着不同，所以可以同过检测心电信号序列对时间的导数即斜率的变化情况来检测R波的位置。通常在R波的上升沿和下降沿是是心电波形斜率变化最大的区域，在这范围内出现的一阶导数过零点，二阶导数极值点即我们所要检测的R波位置。通过多滤波后的心电信号进行一阶差分或二阶差分并结合确定的阈值，检测出R波。

⑩ 什么是神经网络算法的阈值

神经元是一个多输入单输出的非线性单元，输入之和需要超过一定数值时，输出才会有反应，这个数值一般称为阈值