在圖像閾值化操作中，更關(guān)注的是從二值化圖像中，分離目標(biāo)區(qū)域和背景區(qū)域，但是僅僅通過設(shè)定固定閾值很難達(dá)到理想的分割效果。而自適應(yīng)閾值，則是根據(jù)像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值。這樣做的好處：

1. 每個(gè)像素位置處的二值化閾值不是固定不變的，而是由其周圍鄰域像素的分布來決定的。

2. 亮度較高的圖像區(qū)域的二值化閾值通常會(huì)較高，而亮度低的圖像區(qū)域的二值化閾值則會(huì)相適應(yīng)的變小。

3. 不同亮度、對(duì)比度、紋理的局部圖像區(qū)域?qū)?huì)擁有相對(duì)應(yīng)的局部二值化閾值。

函數(shù)原型

1. void adaptiveThreshold(InputArray src, OutputArray dst, 2. double maxValue, int adaptiveMethod, 3. int thresholdType, int bolckSize, double C)

參數(shù)說明

參數(shù)1：InputArray類型的src，輸入圖像，填單通道，單8位浮點(diǎn)類型Mat即可。
參數(shù)2：函數(shù)運(yùn)算后的結(jié)果存放在這。即為輸出圖像（與輸入圖像同樣的尺寸和類型）。
參數(shù)3：預(yù)設(shè)滿足條件的最大值。
參數(shù)4：指定自適應(yīng)閾值算法。可選擇ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C兩種。（具體見下面的解釋）。
參數(shù)5：指定閾值類型。可選擇THRESH_BINARY或者THRESH_BINARY_INV兩種。（即二進(jìn)制閾值或反二進(jìn)制閾值）。
參數(shù)6：表示鄰域塊大小，用來計(jì)算區(qū)域閾值，一般選擇為3、5、7......等。
參數(shù)7：參數(shù)C表示與算法有關(guān)的參數(shù)，它是一個(gè)從均值或加權(quán)均值提取的常數(shù)，可以是負(fù)數(shù)。（具體見下面的解釋）。
//--------------------------------------------------------------------------------------------------------------------------------------------------------------------------

對(duì)參數(shù)4與參數(shù)7內(nèi)容的解釋： 自適應(yīng)閾值化計(jì)算大概過程是為每一個(gè)象素點(diǎn)單獨(dú)計(jì)算的閾值，即每個(gè)像素點(diǎn)的閾值都是不同的，就是將該像素點(diǎn)周圍B*B區(qū)域內(nèi)的像素加權(quán)平均，然后減去一個(gè)常數(shù)C，從而得到該點(diǎn)的閾值。B由參數(shù)6指定，常數(shù)C由參數(shù)7指定。

ADAPTIVE_THRESH_MEAN_C，為局部鄰域塊的平均值，該算法是先求出塊中的均值，再減去常熟C。

ADAPTIVE_THRESH_GAUSSIAN_C，為局部鄰域塊的高斯加權(quán)和。該算法是在區(qū)域中(x, y)周圍的像素根據(jù)高斯函數(shù)按照他們離中心點(diǎn)的距離進(jìn)行加權(quán)計(jì)算，再減去常數(shù)C。

舉個(gè)例子：如果使用平均值方法，平均值mean為190，差值delta（即常數(shù)C）為30。那么灰度小于160的像素為0，大于等于160的像素為255。如下圖：

如果是反向二值化，如下圖：

delta（常數(shù)C）選擇負(fù)值也是可以的。

代碼演示

/*自適應(yīng)閾值：adaptiveThreshold()函數(shù) */#include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <iostream> using namespace std; using namespace cv;int main() {//------------【1】讀取源圖像并檢查圖像是否讀取成功------------ Mat srcImage = imread("D:\\OutPutResult\\ImageTest\\build.jpg");if (!srcImage.data){cout << "讀取圖片錯(cuò)誤，請(qǐng)重新輸入正確路徑！\n";system("pause");return -1;}imshow("【源圖像】", srcImage);//------------【2】灰度轉(zhuǎn)換------------ Mat srcGray;cvtColor(srcImage, srcGray, CV_RGB2GRAY);imshow("【灰度圖】", srcGray);//------------【3】初始化相關(guān)變量--------------- Mat dstImage; //初始化自適應(yīng)閾值參數(shù)const int maxVal = 255;int blockSize = 3; //取值3、5、7....等int constValue = 10;int adaptiveMethod = 0;int thresholdType = 1;/*自適應(yīng)閾值算法0:ADAPTIVE_THRESH_MEAN_C1:ADAPTIVE_THRESH_GAUSSIAN_C--------------------------------------閾值類型0:THRESH_BINARY1:THRESH_BINARY_INV*///---------------【4】圖像自適應(yīng)閾值操作------------------------- adaptiveThreshold(srcGray, dstImage, maxVal, adaptiveMethod, thresholdType, blockSize, constValue);imshow("【自適應(yīng)閾值】", dstImage);waitKey(0);return 0; }

顯示結(jié)果

可以發(fā)現(xiàn)自適應(yīng)閾值能很好的觀測(cè)到邊緣信息。閾值的選取是算法自動(dòng)完成的，很方便。

濾波處理?

另外，做不做濾波處理等對(duì)圖像分割影響也比較大。

1. adaptiveThreshold分割

Mat img=imread("D:/ImageTest/sudoku.png",CV_LOAD_IMAGE_COLOR);Mat dst1;Mat dst2;Mat dst3;cv::cvtColor(img,img,COLOR_RGB2GRAY);//進(jìn)行，灰度處理medianBlur(img,img,5);//中值濾波threshold(img,dst1, 127, 255, THRESH_BINARY);//閾值分割adaptiveThreshold(img,dst2,255,ADAPTIVE_THRESH_MEAN_C,THRESH_BINARY,11,2);//自動(dòng)閾值分割,鄰域均值adaptiveThreshold(img,dst3,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY,11,2);//自動(dòng)閾值分割，高斯鄰域//ADAPTIVE_THRESH_MEAN_C : threshold value is the mean of neighbourhood area//ADAPTIVE_THRESH_GAUSSIAN_C : threshold value is the weighted sum of neighbourhood values where weights are a gaussian window. imshow("dst1", dst1);imshow("dst2", dst2);imshow("dst3", dst3);imshow("img", img);waitKey(0);

效果對(duì)比，很明顯加入鄰域權(quán)重后處理更理想：

2. 加入濾波處理的最大類間方差分割

Mat img=imread("D:/ImageTest/pic2.png",CV_LOAD_IMAGE_COLOR);Mat dst1;Mat dst2;Mat dst3;cv::cvtColor(img,img,COLOR_RGB2GRAY);//進(jìn)行，灰度處理// medianBlur(img,img,5);threshold(img,dst1, 127, 255, THRESH_BINARY);threshold(img,dst2,0, 255, THRESH_OTSU);//最大類間方差法分割 Otsu algorithm to choose the optimal threshold valueMat img2=img.clone();GaussianBlur(img2,img2,Size(5,5),0);//高斯濾波去除小噪點(diǎn)threshold(img2,dst3, 0, 255, THRESH_OTSU);imshow("BINARY dst1", dst1);imshow("OTSU dst2", dst2);imshow("GaussianBlur OTSU dst3", dst3);imshow("original img", img);waitKey(0);

效果如下，顯然不濾波和濾波差別明顯：

?

?

?

?

參考文章：https://blog.csdn.net/sinat_36264666/article/details/77586964

? ? ? ? ? ? ?https://blog.csdn.net/abcvincent/article/details/78822191

轉(zhuǎn)載于:https://www.cnblogs.com/GaloisY/p/11037350.html

總結(jié)

以上是生活随笔為你收集整理的自适应阈值化操作：adaptiveThreshold()函数的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。