【Opencv–adaptiveThreshold】自适应阈值图像二值化
文章目录
【Opencv--adaptiveThreshold】自适应阈值图像二值化1. 介绍2. adaptiveThreshold函数2.1 函数调用2.2 补充说明
3. 代码示例4. 效果4.1 原图（ori.img）4.2 处理后
5. 参考
1. 介绍
在这里 cv2.threshold函数 介绍了普通的opencv图像阈值处理函数。但threshold 的图像阈值处理对于某些光照不均的图像，这种全局阈值分割的方法并不能得到好的效果。
图像阈值化操作中，我们更关心的是从二值化图像中分离目标区域和背景区域，仅仅通过固定阈值很难达到理想的分割效果。在图片中的灰度是不均匀的，所以通常情况下图片中不同区域的阈值是不一样的。这样就需要一种方法根据图像不同区域亮度或灰度分布，计算其局部阈值来进行阈值处理。这种方法就是自适应阈值化图像处理，实际上这可以称为局部阈值法，在OpenCV中adaptiveThreshold就是这种方法。
2. adaptiveThreshold函数
2.1 函数调用
import cv2
dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)
参数说明：
src：源图像，8位的灰度图。maxValue：用于指定满足条件的像素设定的灰度值adaptiveMethod：使用的自适应阈值算法，有2种类型ADAPTIVE_THRESH_MEAN_C算法（局部邻域块均值）或ADAPTIVE_THRESH_GAUSSIAN_C（局部邻域块高斯加权和）。
ADAPTIVE_THRESH_MEAN_C的计算方法是计算出邻域的平均值再减去第六个参数C的值；ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出邻域的高斯均匀值再减去第六个参数C的值。处理边界时使用BORDER_REPLICATE | BORDER_ISOLATED模式。 thresholdType：阈值类型，只能是THRESH_BINARY或THRESH_BINARY_INV二者之一，具体参考上面“图像阈值处理”的表格blockSize：表示邻域块大小，用来计算区域阈值，一般选择3、5、7……C：表示常数，它是一个从均匀或加权均值提取的常数，通常为正数，但也可以是负数或零 返回值：
dst：处理后的图像
2.2 补充说明
亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。在灰度图像中，灰度值变化明显的区域往往是物体的轮廓，所以将图像分成一小块一小块的去计算阈值往往会得出图像的轮廓。因此函数adaptiveThreshold除了将灰度图像二值化，也可以进行边缘提取。之所以能进行边缘提取，是因为当block很小时，如block_size=3 or 5 or 7时，“自适应”的程度很高，即容易出现block里面的像素值都差不多，这样便无法二值化，而只能在边缘等梯度大的地方实现二值化，结果显得它是边缘提取函数。当把blockSize设为比较大的值时，如blockSize=21 or 31 or 41时，adaptiveThreshold便是二值化函数blockSize必须为大于1的奇数（这里解释一下，size为偶数的话，该block的中心点就不确定了，因此为奇数。）如果使用平均值方法，平均值mean为180，差值delta为10，maxValue设为255。那么灰度小于170的像素为0，大于等于170的像素为255，如果是反向二值化，灰度小于170的像素为255，大于等于170的像素为0。
3. 代码示例
import cv2
img = cv2.imread('ori.jpg', 0)
img1 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 3, 5)
cv2.imwrite("new1.jpg", img1)
img2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 31, 5)
cv2.imwrite("new1.jpg", img2)
4. 效果
4.1 原图（ori.img）
4.2 处理后
new1.img new2.jpg
可以看到，
当blockSize小时，轮廓识别效果明显，突出边缘区域。而blockSize大时，就是一个二值化图像。
5. 参考
【1】https://blog.csdn.net/LaoYuanPython/article/details/108558834
精彩文章
发表评论