图像语义分割（semantic image segmentation）
图像二值化图像二值化函数
根据图像的灰度特性,将图像分为前景和背景两个部分
将图片(例如，视频，特别是监控视频的图片)分离成前景和背景的任务。具体地，涉及将运动前景对象与静态背景场景分离
“背景减除”就是这样一种传统方法，它基于当前图片与参考图片之间的“差异”，通常称为“背景模型
基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法以及基于深度模型的分割方法等
代码
import cv2
import numpy as np
# 输入
image1 = cv2.imread(r'.\FC02.jpg')
# 转换为灰度图像
img = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
#图像二值化函数cv2.threshold函数的介绍-applying a signal processing technique to an image processing task
# 图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果(灰度值0：黑，灰度值255：白).
# 在图像中除了目标物体和背景区域，还有噪声，通过图像二值化函数将多值的数字图像中直接提取出目标图像 象素群
# 阈值的作用是根据设定的值处理图像的灰度值，比如灰度大于某个数值像素点保留 Simple Thresholding and Adaptive Thresholding w
# src是灰度图像 thresh是起始阈值 maxval是最大值 type是定义如何处理数据与阈值的关系
# # cv2.threshold(src, thresh, maxval, type[, dst])
# 0 当前灰度值 maxval cv2.THRESH_OTSU使用最小二乘法处理像素点
# v2.THRESH_BINARY一起使用。当使用cv2.THRESH_OTSU或cv2.THRESH_TRIANGLE时，阈值是动态的，会根据计算结果返回相应的数值
ret, thresh1 = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY +
cv2.THRESH_OTSU)
# the window showing output image
# with the corresponding thresholding
# techniques applied to the input image
# 相同大小图像水平拼接
wind_nm = 'Otsu_Threshold'
cv2.namedWindow(wind_nm, 0)
cv2.resizeWindow(wind_nm, 400,300)
cv2.imshow(wind_nm, thresh1)
cv2.namedWindow(wind_nm+"ori", 0)
cv2.resizeWindow(wind_nm+"ori", 400,300)
cv2.imshow(wind_nm+"ori", image1)
# De-allocate any associated memory usage
if cv2.waitKey(0) & 0xff == 27:
cv2.destroyAllWindows()
思路：
数据分类、地图分级（Classification）
01.Otsu Thresholding Algorithm== Between-class variance method
在直方图Python中找到两个最高峰值的中心值 -foreground and background
1.to flatten the image (2D signal) and change it into a 1D one.
2. the distribution of our 1D Signal
have two normal distributions. The underlying idea is that the background and the subject of the image
3.Choose a threshold
4. minimizing intra-class intensity variance, or equivalently, by maximizing inter-class variance
其他类似
02.Fisher判别分析,线性判别分析(linear discriminant analysis，LDA)
• 最大化类间距离Maximize the between-class distance (means)
• 最小化类内距离Minimize the within-class variability (scatter)
方法：
先计算每个类的均值-使得投影间距离最大化：
类间散度矩阵-类内散度矩阵-最小化投影
Jenks optimization method
Fisher-Jenks algorithm, Jenks Optimisation Method or Fisher exact optimization method
Natural breaks的分类原则是组间方差尽可能大，并且组内方差尽可能小
R中的ClassInt包来使用Natural breaks对一维数据进行分类
Jenks Natural Breaks通过优化方差拟合优度（0到1，其中0 =不适合且1 =完美适合）来工作
globally optimal k-means
地图配色方案
地图配色最佳cheat sheet。
https://gistbok.ucgis.org/bok-topics/2019-quarter-02/statistical-mapping-enumeration-normalization-classification
Defined Interval 定义间隔分类
Equal Interval 等距分类
Quantile 等量分类。又叫分位数分类 每一类的数目一样
Standard Deviation 标准差分类。显然适合正态分布的数据，用于表现与均值相异的程度
Natural Breaks(Jenks) 自然断点分类。一般来说，分类的原则就是差不多的放在一起，分成若干类。统计上可以用方差来衡量，
通过计算每类的方差，再计算这些方差之和，用方差和的大小来比较分类的好坏
Geometry Interval
对数分段、开方分段
默认提供等距分段
Pretty Breaks
Unique Values Unique: 外部标准。 与数据集无关，和相关数据的业内标准有关。
附录
Simple Thresholding
Adaptive Thresholding cv2.adaptiveThreshold
Otsu Thresholding)
K-Means对一维数据聚类
from sklearn.cluster import KMeans
import numpy as np
x = np.random.random(10000)
y = x.reshape(-1,1)
km = KMeans()
km.fit(y)
#核心的操作是y = x.reshape(-1,1)，含义为将一维数据变成只有1列，
#行数不知道多少（-1代表根据剩下的维度计算出数组的另外一个shape属性值）。
方案二：采用一维聚类方法Jenks Natural Breaks
Jenks Natural Breaks（自然断点分类）。一般来说，分类的原则就是差不多的放在一起，分成若干类。统计上可以用方差来衡量，
通过计算每类的方差，再计算这些方差之和，用方差和的大小来比较分类的好坏。因而需要计算各种分类的方差和，
其值最小的就是最优的分类结果（但并不唯一）。这也是自然断点分类法的原理。
另外，当你去看数据的分布时，可以比较明显的发现断裂之处，这些断裂之处和Jenks Natural Breaks方法算出来也是一致的。
因而这种分类法很“自然”。
Jenks Natural Breaks和K Means在一维数据时，完全等价。它们的目标函数一样，
但是算法的步骤不完全相同。K Means是先设定好K个初始随机点。
而Jenks Breaks则是用遍历的方法，一个点一个点地移动，直到达到最小值。
Natural Breaks算法又有两种：
Jenks-Caspall algorithm(1971)，是Jenks和Caspall发明的算法。原理就如前所述，实现的时候要将每种分类情况都计算一遍，找到方差和最小的那一种，计算量极大。n个数分成k类，就要从n-1个数中找k-1个组合，这个数目是很惊人的。数据量较大时，如果分类又多，以当时的计算机水平根本不能穷举各种可能性。
Fisher-Jenks algorithm(1977)，Fisher(1958)发明了一种算法提高计算效率，不需要进行穷举。Jenks将这种方法引入到数据分类中。但后来者几乎只知道Jenks而不知Fisher了。
具体算法实现：
Jenks-Caspall algorithm：https://github.com/domlysz/Jenks-Caspall.py
Fisher-Jenks algorithm：https://github.com/mthh/jenkspy
和K-Means一样，使用Jenks Natural Breaks需要先确定聚类数量K值。
常见的方法是：GVF（The Goodness of Variance Fit）。GVF，翻译过来是“方差拟合优度”，
其中，SDAM是the Sum of squared Deviations from the Array Mean，即原始数据的方差；
SDCM是the Sum of squared Deviations about Class Mean，即每一类方差的和。
显然，SDAM是一个常数，而SDCM与分类数k有关。一定范围内，GVF越大，分类效果越好。
SDCM越小，GVF越大，越接近于1。而SDCM随k的增大而大，当k等于n时，SDMC=0，GVF=1。
GVF用于判定不同分类数的分类效果好坏。以k和GVF做图可得：
代码示例：
from jenkspy import jenks_breaks
import numpy as np
方案三：核密度估计Kernel Density Estimation
所谓核密度估计，就是采用平滑的峰值函数(“核”)来拟合观察到的数据点，从而对真实的概率分布曲线进行模拟。
核密度估计更多详细内容，可以先前的Mean Shift聚类中的相关说明。
###使用示例：
import numpy as np
from scipy.signal import argrelextrema
import matplotlib.pyplot as plt
from sklearn.neighbors.kde import KernelDensity
a = np.array([10, 11, 9, 23, 21, 11, 45, 20, 11, 12]).reshape(-1, 1)
kde = KernelDensity(kernel=\'gaussian\', bandwidth=3).fit(a)
s = np.linspace(0, 50)
e = kde.score_samples(s.reshape(-1, 1))
plt.plot(s, e)
plt.show()
mi, ma = argrelextrema(e, np.less)[0], argrelextrema(e, np.greater)[0]
print(\"Minima:\", s[mi])
print(\"Maxima:\", s[ma])
print(a[a < mi[0]], a[(a >= mi[0]) * (a <= mi[1])], a[a >= mi[1]])
plt.plot(s[:mi[0] + 1], e[:mi[0] + 1], \'r\',
s[mi[0]:mi[1] + 1], e[mi[0]:mi[1] + 1], \'g\',
s[mi[1]:], e[mi[1]:], \'b\',
s[ma], e[ma], \'go\',
s[mi], e[mi], \'ro\')
plt.show()
参考
Hands on Otsu Thresholding Algorithm for Image Background Segmentation, using Python
https://towardsdatascience.com/hands-on-otsu-thresholding-algorithm-for-image-background-segmentation-using-python-9fa0575ac3d2
Otsu‘s Thresholding的工作原理 https://blog.csdn.net/u014281392/article/details/122923280
https://www.geeksforgeeks.org/python-thresholding-techniques-using-opencv-set-3-otsu-thresholding/
Image Thresholding https://docs.opencv.org/4.x/d7/d4d/tutorial_py_thresholding.html
https://en.wikipedia.org/wiki/Otsu%27s_method
https://en.wikipedia.org/wiki/Kernel_density_estimation
https://en.wikipedia.org/wiki/Jenks_natural_breaks_optimization
http://scikit-learn.org/stable/auto_examples/neighbors/plot_kde_1d.html
https://jakevdp.github.io/blog/2013/12/01/kernel-density-estimation/