传统提取算法,阙值提取法是图像分割中使用较为广泛的方法,通过阙值的设置,将处于阙值区间内的像素区域归纳为同一区域,从而分割图像。此类算法的缺陷在于只考虑了目标的灰度信息,从而缺少鲁棒性。在这类算法中,如何获取一个合理的阙值是算法成功的关键,手动选取阙值无法具备通用性,易受环境变化的影响,主流的选取阙值的方法有类间方差法和熵阙值分割法。
大类间方差法根据图像的灰度特性寻找阙值,使分割出的图像区域之间的差别大,用于判断分割图像区域之间的差别是其各区域间的内部方差。大类间方差法极易受到噪音的影响,如阴影,但在单纯背景条件下,适用于初步的获取目标物的位置。大熵阙值法与大类间方差原理类似,将图像通过信息熵分为不同区域。信息熵在混乱无序的系统中较大,在确定有序的系统中较小,根据信息熵的特性,可将图像分割为不同的区域。
图像分割算法是用于农产品光电检测分级分类的基础任务,传统算法的优势在于结构简单,,但对复杂环境的适应性较弱。深度学习方法受到环境影响较少,但需大量样本支持,如何正确的获取样本,以及提高算法的整体效率是当前需要解决的主要问题。在实际使用中,深度学习由于性能问题尚无法完全取代传统算法,使用者可以根据具体的需求选择合适的算法。