4.2. ExamplesFig. 5 and Table 1 sho

4.2. Examples
Fig. 5 and Table 1 show one example, where Fig. 5A illustrates an original image. After global BCV thresholding, the binarized image is given in Fig. 5B. The largest white object is given a label number 0. Because the object No. 0 has an area greater than 6400 and the range of gray levels is 116, the algorithm does BCV thresholding in the corresponding area of the original image, and the binarized image is shown in Fig. 5C. In Fig. 5C object No. 1, 2, 6 and 9 have an area greater than 1225 pixels. Expect for the object No. 9, the other three objects had a shape factor S>2.8, and where selected for further processing and tests. Out of these three objects, No. and 2 had a range of gray levels over 50. At the end of the whole sequence, the algorithm performed BCV thresholding both for object No. 1 and 2 in the original image, and the final result is displayed in Fig. 5D. To see if the new algorithm works better than some standard local/adaptive thresholding techniques, in the next section we will compare two widely-used thresholding algorithms.

ผลลัพธ์ (ไทย) 1:

4.2. ตัวอย่างรูปที่ 5 และตารางที่ 1 แสดงตัวอย่างหนึ่ง ซึ่งรูป 5A แสดงภาพต้นฉบับ หลังจากโลก BCV thresholding ภาพ binarized ถูกกำหนดในรูป 5B วัตถุสีขาวที่ใหญ่ที่สุดจะได้รับฉลากจำนวน 0 เพราะวัตถุหมายเลข 0 มีพื้นที่มากกว่า 6400 และช่วงของระดับสีเทาเป็น 116 อัลกอริทึมไม่ BCV thresholding ในพื้นที่ที่สอดคล้องกันของภาพต้นฉบับ และภาพ binarized จะแสดงในรูป 5C. ใน 5C รูปวัตถุ 1, 2, 6 และ 9 มีพื้นที่มากกว่า 1225 พิกเซล คาดว่าจะได้เลข 9 วัตถุ สามวัตถุมีรูปร่างปัจจัย S > 2.8 และ ที่เลือกสำหรับการประมวลผลและการทดสอบ จากวัตถุเหล่านี้สาม เลข และ 2 มีช่วงของระดับสีเทามากกว่า 50 ปลายของลำดับทั้ง อัลกอริทึมการทำ thresholding BCV ทั้งวัตถุ 1 และ 2 ในภาพต้นฉบับ และผลสุดท้ายจะแสดงในรูปที่ 5D เมื่อต้องการดูอัลกอริทึมใหม่งานดีกว่าบางเทคนิคมาตรฐานท้องถิ่นปรับ thresholding ในส่วนถัดไป เราจะเปรียบเทียบสอง thresholding ใช้อัลกอริทึม

ผลลัพธ์ (ไทย) 2:

4.2 ตัวอย่าง
รูป 5 และตารางที่ 1 แสดงตัวอย่างหนึ่งที่รูป 5A แสดงให้เห็นถึงภาพเดิม หลังจาก Thresholding BCV ทั่วโลกภาพ binarized จะได้รับในรูป 5B วัตถุสีขาวที่ใหญ่ที่สุดจะได้รับฉลากเบอร์ 0. เนื่องจากวัตถุที่ 0 มีพื้นที่มากกว่า 6400 และช่วงของระดับสีเทาคือ 116, อัลกอริทึมไม่ BCV กำหนดเกณฑ์ขั้นต่ำในพื้นที่ที่สอดคล้องกันของภาพต้นฉบับและภาพ binarized แสดงในรูป 5C ในรูป 5C ฉบับที่ 1, 2, 6 และ 9 วัตถุมีพื้นที่มากกว่า 1,225 พิกเซล คาดหวังสำหรับวัตถุฉบับที่ 9 อีกสามวัตถุมีปัจจัยรูปร่าง S> 2.8 และสถานที่ที่เลือกสำหรับการประมวลผลต่อไปและการทดสอบ สามคนออกจากวัตถุเหล่านี้และฉบับที่ 2 มีช่วงของระดับสีเทามากกว่า 50 ในตอนท้ายของลำดับทั้งที่ขั้นตอนวิธีการดำเนินการ BCV Thresholding ทั้งสำหรับวัตถุฉบับที่ 1 และ 2 ในภาพต้นฉบับและผลสุดท้ายคือ แสดงในรูป 5D เพื่อดูว่าอัลกอริทึมใหม่ทำงานได้ดีกว่าเทคนิคบางอย่างมาตรฐานท้องถิ่น / การปรับตัวกำหนดเกณฑ์ขั้นต่ำในส่วนถัดไปเราจะเปรียบเทียบสองขั้นตอนวิธีการกำหนดเกณฑ์ขั้นต่ำใช้กันอย่างแพร่หลาย

ผลลัพธ์ (ไทย) 3:

4.2 . ตัวอย่างภาพที่ 5 และ ตารางที่ 1 แสดงตัวอย่างหนึ่งที่แสดงให้เห็นถึงรูปที่ 43 รูปภาพต้นฉบับ หลังจากปรับ BCV ระดับโลก binarized ภาพจะได้รับในมะเดื่อ 5B วัตถุสีขาวที่ใหญ่ที่สุดจะได้รับหมายเลข 0 เพราะวัตถุหมายเลข 0 มีพื้นที่มากกว่า 6 , 400 และช่วงของระดับสีเทาเป็น 116 , ขั้นตอนวิธีการทำ BCV ปรับในพื้นที่เดียวกันของภาพต้นฉบับ และภาพที่แสดงในรูปที่ binarized 5C 5C วัตถุ ในรูปที่ 1 , 2 , 6 และ 9 มีพื้นที่กว่า 1 พิกเซล คาดว่าวัตถุ หมายเลข 9 อีกสามวัตถุมีรูปร่างปัจจัย S > 2.8 และที่เลือกสำหรับการประมวลผลต่อไปและการทดสอบ ออกของวัตถุทั้งสาม ไม่ และ 2 มีช่วงของระดับสีเทามากกว่า 50 ในตอนท้ายของลำดับทั้งขั้นตอนวิธีการปรับทั้งวัตถุ BCV หมายเลข 1 และ 2 ในรูปเดิม และผลสุดท้ายจะปรากฏในรูปที่ 5D ดู ถ้าอัลกอริทึมใหม่ทำงานได้ดีกว่ามาตรฐานท้องถิ่น / การปรับเทคนิค ในส่วนถัดไปที่เราจะเปรียบเทียบสองขั้นตอนวิธีการปรับใช้กันอย่างแพร่หลาย .