图像处理中几何畸变校正,图像纠正的方法有哪些

如何通过人工神经网络实现图像识别

。

人工神经网络（ArtificialNeuralNetworks）（简称ANN）系统从20世纪40年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。

尤其是基于误差反向传播（ErrorBackPropagation）算法的多层前馈网络（Multiple-LayerFeedforwardNetwork）(简称BP网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。

目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。

这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。

一、BP神经网络BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法所规定的。

backpropagation就是指的为非线性多层网络计算梯度的方法。一个典型的BP网络结构如图所示。我们将它用向量图表示如下图所示。

其中：对于第k个模式对，输出层单元的j的加权输入为该单元的实际输出为而隐含层单元i的加权输入为该单元的实际输出为函数f为可微分递减函数其算法描述如下：（1）初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。

（2）提供训练模式，训练网络，直到满足学习要求。（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）。

（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）二、BP网络隐层个数的选择对于含有一个隐层的三层BP网络可以实现输入到输出的任何非线性映射。

增加网络隐层数可以降低误差，提高精度，但同时也使网络复杂化，增加网络的训练时间。误差精度的提高也可以通过增加隐层结点数来实现。一般情况下，应优先考虑增加隐含层的结点数。

三、隐含层神经元个数的选择当用神经网络实现网络映射时，隐含层神经元个数直接影响着神经网络的学习能力和归纳能力。

隐含层神经元数目较少时，网络每次学习的时间较短，但有可能因为学习不足导致网络无法记住全部学习内容；隐含层神经元数目较大时，学习能力增强，网络每次学习的时间较长，网络的存储容量随之变大，导致网络对未知输入的归纳能力下降，因为对隐含层神经元个数的选择尚无理论上的指导，一般凭经验确定。

四、神经网络图像识别系统人工神经网络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。

神经网络的图像识别系统是神经网络模式识别系统的一种，原理是一致的。一般神经网络图像识别系统由预处理，特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。

神经网络图像识别系统中的特征提取部分不一定存在，这样就分为两大类：①有特征提取部分的：这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像。

特征提取必须能反应整个图像的特征。但它的抗干扰能力不如第2类。

②无特征提取部分的：省去特征抽取，整副图像直接作为神经网络的输入，这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。

此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。当BP网用于分类时，首先要选择各类的样本进行训练，每类样本的个数要近似相等。

其原因在于一方面防止训练后网络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免网络陷入局部最小点。

由于BP网络不具有不变识别的能力，所以要使网络对模式的平移、旋转、伸缩具有不变性，要尽可能选择各种可能情况的样本。

例如要选择不同姿态、不同方位、不同角度、不同背景等有代表性的样本，这样可以保证网络有较高的识别率。

构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就是图像的特征向量；神经网络分类器的输出节点应该是类别数。隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。

然后要选择适当的学习算法，这样才会有很好的识别效果。

在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。

神经网络是按整个特征向量的整体来记忆图像的，只要大多数特征符合曾学习过的样本就可识别为同一类别，所以当样本存在较大噪声时神经网络分类器仍可正确识别。

在图像识别阶段，只要将图像的点阵向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。五、仿真实验1、实验对象本实验用MATLAB完成了对神经网络的训练和图像识别模拟。

从实验数据库中选择0～9这十个数字的BMP格式的目标图像。图像大小为16×8像素，每个目标图像分别加10％、20％、30％、40％、50％大小的随机噪声，共产生60个图像样本。

将样本分为两个部分，一部分用于训练，另一部分用于测试。实验中用于训练的样本为40个，用于测试的样本为20个。随机噪声调用函数randn(m,n)产生。

2、网络结构本试验采用三层的BP网络，输入层神经元个数等于样本图像的象素个数16×8个。隐含层选24个神经元，这是在试验中试出的较理想的隐层结点数。

输出层神经元个数就是要识别的模式数目，此例中有10个模式，所以输出层神经元选择10个，10个神经元与10个模式一一对应。

3、基于MATLAB语言的网络训练与仿真建立并初始化网络% ================S1 = 24;% 隐层神经元数目S1 选为24[R,Q] = size(numdata);[S2,Q] = size(targets);F = numdata;P=double(F);net = newff(minmax(P),[S1 S2],{'logsig''logsig'},'traingda','learngdm')这里numdata为训练样本矩阵，大小为128×40，targets为对应的目标输出矩阵，大小为10×40。

newff(PR,[S1S2…SN],{TF1TF2…TFN}，BTF,BLF,PF)为MATLAB函数库中建立一个N层前向BP网络的函数，函数的自变量PR表示网络输入矢量取值范围的矩阵[Pminmax];S1~SN为各层神经元的个数；TF1~TFN用于指定各层神经元的传递函数；BTF用于指定网络的训练函数；BLF用于指定权值和阀值的学习函数；PF用于指定网络的性能函数，缺省值为‘mse’。

设置训练参数net.performFcn = 'sse'; %平方和误差性能函数 = 0.1; %平方和误差目标 = 20; %进程显示频率net.trainParam.epochs = 5000;%最大训练步数 = 0.95; %动量常数网络训练net=init(net);%初始化网络[net,tr] = train(net,P,T);％网络训练对训练好的网络进行仿真D=sim(net,P);A = sim(net,B);B为测试样本向量集,128×20的点阵。

D为网络对训练样本的识别结果，A为测试样本的网络识别结果。实验结果表明：网络对训练样本和对测试样本的识别率均为100％。如图为64579五个数字添加50%随机噪声后网络的识别结果。

六、总结从上述的试验中已经可以看出，采用神经网络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在网络模式下识别复杂的目标图像则需要降低网络规模，增加识别能力，原理是一样的。

谷歌人工智能写作项目：神经网络伪原创

求助opencv怎么把这扭曲图像校正

如果知道图像，不知道相机还怎么通过相机来标定畸变？1、只给定一张图片可以根据图像中相关特征进行标定，比如：图像中的某个物体具有直线性特点A8U神经网络。

一般是找出本来应当是直线的物体边缘，在其上取若干点，根据这些点将图像中的物体边缘重新校正为直线。简单讲就是利用：lineisstraight这个原理。

2、目前最常用的张正友在1998年提出的一种标定方法，是通过二维标定板（平面标定板），根据小孔成像的原理，通过对reprojectionerror最小化进行非线性优化，来实现对相机的标定。

并非根据看似高大上的训练集来标定。当然他写这篇文章的目的不单单是为了校正畸变。畸变参数只是张正友相机标定法所求参数的一部分，即：两个径向畸变系数和两个切向畸变系数。

消除畸变的目的是让相机尽量地逼近针孔相机模型，这样相机成像时直线才会保持其直线性。一般常见的畸变校正算法都是根据这一原理来实现的。当然，还有二般的情况。比如：图像中压根就没有直线性物体存在。

我们该怎么办？还能进行标定吗？答案是肯定的。可以利用对极约束，对图像畸变进行标定。不过，这需要至少两幅图像，而且这两幅图像必须是同一相机在短时间内拍摄得到。

（急）数字图像处理主要包含哪八个方面的内容

主要内容有：图像增强、图像编码、图像复原、图像分割、图像分类、图像重建、图像信息的输出和显示。

图像增强用于改善图像视觉质量；图像复原是尽可能地恢复图像本来面目；图像编码是在保证图像质量的前提下压缩数据，使图像便于存储和传输；图像分割就是把图像按其灰度或集合特性分割成区域的过程。

图像分类是在将图像经过某些预处理（压缩、增强和复原）后，再将图像中有用物体的特征进行分割，特征提取，进而进行分类；图像重建是指从数据到图像的。处理，即输入的是某种数据，而经过处理后得到的结果是图像。

扩展资料发展概况数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。

早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。

首次获得实际成功应用的是美国喷气推进实验室（JPL）。

他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。

随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。

在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理技术都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。参考资料来源：百度百科-数字图像处理。

几何校正的原理和过程

几何校正原理：框幅式遥感影像图的几何校正手段分为光学校正和数字校正。

传统的遥感影像图校正多采用光学校正，这种方法在数学上有一定的局限；而数字校正建立在严格的数学基础上，可以逐点逐行进行校正，所以它要求各种类型传感器图像实行严格校正。

通过数字校正，改正原始图像的几何变形，产生符合某种地图投影的新图像。遥感影像图的几何校正有3种方案，即系统校正、利用控制点校正以及混合校正。

几何精校正就是利用地面控制点GCP对各种因素引起的遥感图像几何畸变进行校正。

从数学上说，其原理是通过一组GCP建立原始的畸变图像空间与校正空间的坐标变换关系，利用这种对应关系把畸变空间中全部元素变换到校正空间中去，从而实现几何精校正。

系统几何校正的关键是建立地球固定坐标系中LOS和未校正图像平面到校正图像平面之间的相互转换关系。

常用的方法有：基于多项式的遥感图像纠正、基于共线方程的遥感图像纠正、基于有理函数的遥感图像纠正、基于自动配准的小面元微分纠正等。应用是：多光谱、多时相影像配准和遥感影像制图，必须经过上述几何校正。

因人们已习惯于用正射投影地图，故多数遥感影像的几何校正以正射投影为基准进行。某些大比例尺遥感影像专题制图，可采用不同地图投影作为几何校正基准，主要是解决投影变换问题，一些畸变不能完全得到消除。

遥感影像的几何校正可应用光学、电子学或计算机数字处理技术来实现。

实验十一 遥感图像几何精校正：Image to Image方式

。

一、实验目的通过对ENVI的ImagetoImageRegistration功能命令操作，用带地理坐标的遥感图像校正几何畸变的遥感图像，从而消除后者的几何畸变，成为带地理坐标的遥感图像，以加深对遥感图像几何校正的理解。

二、实验内容①图像几何校正控制点的选择；②控制点坐标数据库建立；③纠正模型选择；④插值算法选择；⑤几何校正后图像与原始图像比较分析。

三、实验要求①控制点的选择必须是其所在位置具有清晰可辨的点位识别特征，如点、两线交叉点和单线锐角拐点等；②控制点在影像上要均匀分布；③全图区内的控制点数量不能少于20个；④对校正前后的图像进行比较分析。

四、技术条件①微型计算机；②桂林市P6卫星影像Pan波段及多光谱波段数据；③ENVI软件；④Photoshop软件（ver.6.。以上）和ACDSee软件（ver.4.0以上）。

五、实验步骤（1）在ENVI主菜单栏中选择“File>OpenImageFile”，出现文件目录窗口，将桂林市P6影像数据调入“AvailableBandsList”窗口。

（2）选取地面控制点（GCPs）。选取地面控制点GCPs操作通常是在两幅图像（图像一图像配准需要打开两幅图像）的缩放窗口中进行的。1）打开参考影像和待纠正影像，并将它们分别显示于两个主窗口中。

2）在ENVI主菜单栏中选择“Map>Registration>SelectGCPs:ImagetoImage”命令，弹出“ImagetoImageRegistration”对话框，如图11-1所示。

3）选择参考影像和待纠正影像的显示窗口。在“BaseImage”列表中，选择基影像（参照影像）。在“WarpImage”列表中，选择待纠正的影像，如图11-1所示。

4）点击【OK】按钮，弹出“GroundControlPointSelection”对话框，如图11-2所示。图11-1图像对图像配准对话框图11-2地面控制点选择对话框5）选取地面控制点。

通过在缩放窗口（Zoom）中定位同名像元位置，在参考影像和待纠正影像中选择地面控制点，像元坐标信息被导入到“GroundControlPointSelection”对话框中（图11-2）。

6）两幅影像上的对应像元选择完毕后，在“GroundControlPointSelection”对话框中点击【AddPoint】按钮，将选择的GCPs添加到X、Y（样本、行）坐标对列表中。

7）如需浏览所选的GCPs列表，点击【ShowList】按钮，弹出“ImagetoImageGCPList”对话框，如图11-3所示，已经选取的GCPs将全部显示在表格中。

图11-3GCPs列表（3）图像—图像配准。

在选择GCPs完成之后，根据所选控制点执行影像纠正，具体操作步骤如下：1）在“GroundControlPointSelection”对话框菜单栏中选择“Options>WarpDisplayedBand”命令，弹出“RegistrationParmaeters”对话框，如图11-4所示。

2）在“Mehtod”下拉列表中选择纠正模型。ENVI提供三个纠正模型：RST（旋转、缩放和平移）、多项式和Delaunay三角测量。RST纠正是最简单的方法，需要三个或者更多的GCPs。

多项式可以选择1次到n次多项式纠正，可以选择的次数依赖于所选的GCPs个数，即＃GCPs＞（多项式次数＋1）2。Delaunay三角测量适用于三角到不规则空间GCPs和内插数值到输出网格中。

3）在“RegistrationParameters”对话框中的“Resamnpling”下拉列表框中选择重采样方式，可用的重采样方法包括：最临近、双线性和三次卷积。

最临近重采样运用没有解译的像元生成纠正图像；双线性重采样使用4个像元进行线性内插，以对纠正图像进行重采样；三次卷积使用近似于正弦函数的16个像元，通过三次多项式对图像进行重采样。

图11-4“RegistrationParameters”对话框4）选择输出到“File”或“Memory”。点击【OK】按钮开始处理，结果将出现在可用波段列表中。

（4）由于将Pan波段作为基影像对多光谱波段进行了重采样，配准后的多光谱波段还需要按照原来的空间分辨率23.5m进行重采样。

1）在ENVI主菜单栏中选择“BasicTools>ResizeData”工具，将出现“ResizeDataInputFile”对话框，选择需要重采样的输入文件，点击【OK】按钮，将会弹出“ResizeDataParameters”对话框，如图11-5所示。

2）点击【SetOutputDimsbyPixelSize】按钮（图11-5），将图像像元分辨率改为23.5。

3）在“Resampling”下拉列表框中选择重采样方式，然后选择输出到“File”或“Memory”。点击【OK】按钮开始处理，结果将出现在可用波段列表中。

（5）用Photoshop软件将经过几何校正的图像与原始图像并列打开，观察比较几何校正前后影像有何差异，用WORD文档记录，取名为《几何校正前后差异分析》，存入自己的工作文件夹。

图11-5调整数据参数对话框六、实验报告（1）简述实验过程。（2）回答问题：①ImagetoImage代表的含义是什么？②影响几何精校正精度的主要因素有哪些？

③为何选择控制点必须严格遵循如下原则：第一，控制点的选择必须是其所在地物形态具有点状或近似点状、清晰显著和易于识别的影像特征；第二，控制点在影像上要均匀分布；第三，全图区内的控制点数量不能少于20个？

实验报告格式见附录一。

实验十二 遥感图像几何精校正：Image to Map方式

。

一、实验目的通过ENVI的ImagetoMapRegistration功能命令使用，学会用带地理坐标的地形图（Map）去校正几何畸变的遥感影像，使后者也成为一幅无畸变的带地理坐标的遥感图像，从而加深对遥感图像几何校正的理解。

二、实验内容①桂林市TM影像的Image和Map控制点GCPs选择；②Image和Map的控制点坐标提取和输入；③基于ImagetoMap的图像空间配准；④插值算法选择；⑤坐标投影确定；⑥Wrap操作；⑦遥感图像坐标网覆盖。

三、实验要求①课前准备好地形图上的控制点坐标数据；②控制点选择必须是其所在位置具有清晰可辨的点位识别特征，如点、两线交点和单线锐角拐点等；③控制点在影像上要均匀分布；④全图区内的控制点数量不能少于20个；⑤对校正前后的图像进行比较分析。

四、技术条件①微型计算机；②桂林市TM卫星影像数据；③ENVI软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。五，实验步骤（1）图像输入。

在ENVI主菜单栏中选择“File>OpenImageFile”，出现文件目录窗口，将桂林市TM1～7波段的数据调入“AvailableBandsList”窗口，从波段列表中选择TM1显示之。

（2）几何校正方案选择。在ENVI主菜单栏中，选择“Map”，在其下拉菜单中，选择“Map>Registration>SelectGCPs:ImagetoMap”，如图12-1所示。

（3）坐标投影确定。在选择“SelectGCPs:ImagetoMap”之后，出现“ImagetoMapRegistration”窗口。

此框中列出了各种坐标投影，从中选择本实验采用的投影及地图分带“GKZone18”（高斯克吕格投影18度带）；并点击打开“Datum..”，出现“SelectGeogprhicDatum”（选择地理坐标系统窗口），从中选择“WGS-84”；并在“ImagetoMapRegistration”窗口中，对影像空间分辨率尺寸“XPixelSize”和“YPixelSize”都输入所处理遥感影像的空间分辨率。

这里是TM为30m。然后，对此两个窗口分别点击【OK】按钮退出，如图12-2所示。

图12-1“ImagetoMap”处理方案选的操作界面图12-2几何校正坐标投影确定的操作界面（4）输入控制点坐标数据。

在执行完步骤（3）后，出现“GroundControlPointsSelection”（选控制点）窗口，如图12-3所示。

在此窗口中，左边的上下两个空白框是要输入的控制点的WGS-84坐标值（E对应于X坐标，N对应于Y坐标），右边的“ImageX”和“ImageY”分别为与该控制点对应的遥感影像图像元样（Sample）、行（Line）坐标值（S,L）。

只能是手工输入（包括可以将WORD表格中的数据拷贝到此粘贴）。增加新点输入或者修改数据可以通过操作【AddPoint】按钮实现。

图12-3几何校正坐标投影确定的操作界面（5）Warp（纠正）处理图像选择。

在完成步骤（4）的控制点坐标数据输入之后，不必退出“GroundControlPointsSelection”界面，直接在该窗口上方的菜单中，打开“Options”，出现下拉菜单，菜单最上面一项是对正在显示的图像作纠正，第二项是对磁盘文件中的图像作纠正，本实验选择第一项，如图12-4所示。

图12-4“Warp”（纠正）处理图像选择的操作界面（6）执行Warp（纠正）处理。在执行步骤（5）后，出现“ReigstrationParameters”（校正参数）框，如图12-5所示。

在该框中，左侧为前面各项操作形成的数据，一般不必再改动。

右侧的四行中，从上到下依次是：校正方法（Method）、重采样（Resampling）、背景值（Background）和输出校正图像的存储位置（OutputResultto），对“Method”采取多项式（2次），对“Resampling”可选择“NearestNeighbor”（最邻近）、“Bilniear”（双线性插值）或“CubicConvolution”（三次卷积）。

对存储位置，如果是试验处理，可以存在Memory；如果是正式结果，就可以作为文件存到磁盘上，如图12-5所示。设置完这些校正参数后，点击【OK】按钮，完成ImagetoMap方式几何精校正。

图12-5执行“Warp”（纠正）处理的操作界面（7）用Photoshop软件将经过几何校正的图像与原始图像并列打开，观察比较几何校正前后影像有何差异，用WORD文档记录，取名为《几何校正前后差异分析》，存入自己的工作文件夹。

六、实验报告（1）简述实验过程。（2）回答问题：①“ImagetoMap”是何含义？②运用“ImagetoMap”功能需要做哪些相应的准备工作？③参考实验十一的②题和③题。

实验报告格式见附录一。

遥感图像处理的图像校正

遥感卫星的多光谱扫描仪每次扫描有6个光—电转换器件平行工作，专题制图仪每次扫描有16个光电器件平行工作。因此，一次扫描可得到6行或16行图像数据。

由于各个光—电转换器件的特性差异和电路漂移，图像中各像元（像素）的灰度值不能正确反映地物反射的电磁波强度，并且图像上还会出现条纹。因此，需要对原始图像数据的像元灰度值进行校正，这种校正称为辐射校正。

在多光谱扫描仪中，辐射校正是通过对各个敏感元件的增益和漂移进行校正来达到的。多光谱扫描仪和专题制图仪的图像存在一系列几何畸变。这是因为它们不是瞬间扫描而是用连续扫描的方法取得图像数据的。

由于卫星的运动，扫描行并不垂直于运动轨迹方向，在扫描一幅图像的时间内地球自转一个角度而使图像扭歪。在给定视场角下，扫描行两侧的像元对应的地面面积比中间的大，地球的曲率更加大了这一误差。

卫星的姿态变动和扫描速度不匀也使图像产生畸变。因此必须对图像进行几何纠正。根据已知的仪器参数及遥测的卫星轨道和姿态参数进行图像的几何纠正，称为系统纠正。

需要用卫星图像制图时，系统纠正后的几何精度仍不能满足要求，则需要用地面控制点来进行图像的几何精纠正。若图像的几何误差分布是平面的、二次或三次曲面的，就可以用相应次数的多项式来纠正。

经过精纠正，图像的几何精度可达到均方误差在半个像元以内。卫星遥感图像的辐射校正和几何纠正有时称为卫星图像预处理。遥感卫星地面站通常可以向用户提供经过预处理的图像数据或图片。

也有很多用户，宁愿使用原始的磁带数据而根据自己的应用要求进行处理。

求用matlab恢复二维码图像几何畸变的程序，先灰度化二值化，然后再校正

我理解，应该是按照要求黑色或者白色部分所占的比例来设定图像的阈值，从而进行二值化处理。把图像所有像素进行排序，按设定比例来确定它在所有像素中的切分点，该点处的灰度值与255之比就是阈值。

BW=im2bw(I,level)。