阈值化操作——threshold()与adaptiveThreshold()

阈值化操作在图像处理中是一种常用的算法，比如图像的二值化就是一种最常见的一种阈值化操作。opencv2和opencv3中提供了直接阈值化操作cv::threshold()和自适应阈值化操作cv::adaptiveThreshold()两种阈值化操作接口，这里将对这两个接口进行介绍和对比。

1、直接阈值化——cv::threshold()

阈值化操作的基本思想是，给定一个输入数组和一个阈值，数组中的每个元素将根据其与阈值之间的大小发生相应的改变。opencv3中支持这一操作的接口是cv::threshold()，具体调用方法如下：

double cv::threshold(
	cv::InputArray src, // 输入图像
	cv::OutputArray dst, // 输出图像
	double thresh, // 阈值
	double maxValue, // 向上最大值
	int thresholdType // 阈值化操作的类型 
);

 如下表所示，每一种阈值化操作类型，对应着一种源图像上每一个像素点与阈值thresh之间比较操作。根据源图像像素和阈值之间的大小关系，目标像素可能被置为0、原像素值、或者设定的最大值maxValue。

 

下图将会帮助大家理解不同的阈值化类型所表示的确切含义。

void test_threshold()
{
	cv::Mat src = cv::imread("lena.jpg", cv::IMREAD_GRAYSCALE);
	cv::Mat dst;
 
	double thresh = 100;
	int maxVal = 255;
	cv::threshold(src, dst, thresh, maxVal, cv::THRESH_BINARY);
 
	cv::imshow("threshold", dst);
	cv::waitKey(0);
 
	return;
}

 

实用上面的代码进行阈值化处理，原图和五种不同方式阈值化的结果分别如下：

          

 

另外，在opencv3中cv::threshold()函数还支持一种特殊的阈值化操作方式，即Otsu算法。该算法的主要思想是，在进行阈值化时，考虑所有可能的阈值，分别计算低于阈值和高于阈值像素的方差，使下式最小化的值作为阈值：

 

其中，两类像素方差的权值由两类像素的个数决定。这种阈值化的结果相对来说比较理想，可以避免寻找合适阈值的操作，但是这种方式运算量较大，费时。处理的结果如下：

 

但是，直接阈值化操作是一种一刀切的方式，对于亮度分布差异较大的图像，常常无法找到一个合适的阈值。如下所示，对棋盘格进行二值化操作，由于图像右上角区域和图像下部的亮度差异较为大，无法找到一个合适的阈值，将棋盘上的所有棋盘格给区分开来。

 

 

针对于上述情况，我们需要一种改进的阈值化算法，即自适应阈值化。

 

2、自适应阈值化——cv::adaptiveThreshold()

自适应阈值化能够根据图像不同区域亮度分布的，改变阈值，具体调用方法如下：

void cv::adaptiveThreshold(
	cv::InputArray src, // 输入图像
	cv::OutputArray dst, // 输出图像
	double maxValue, // 向上最大值
	int adaptiveMethod, // 自适应方法，平均或高斯
	int thresholdType // 阈值化类型
	int blockSize, // 块大小
	double C // 常量
);

 cv::adaptiveThreshold()支持两种自适应方法，即cv::ADAPTIVE_THRESH_MEAN_C（平均）和cv::ADAPTIVE_THRESH_GAUSSIAN_C（高斯）。在两种情况下，自适应阈值T(x, y)。通过计算每个像素周围bxb大小像素块的加权均值并减去常量C得到。其中，b由blockSize给出，大小必须为奇数；如果使用平均的方法，则所有像素周围的权值相同；如果使用高斯的方法，则（x,y）周围的像素的权值则根据其到中心点的距离通过高斯方程得到。

 

 

测试代码如下：

void test_adaptive_threshold()
{
	cv::Mat src = cv::imread("chessboard.png", cv::IMREAD_GRAYSCALE);
	cv::Mat dst;
 
	int maxVal = 255;
	int blockSize = 41;
	double C = 0;
	cv::adaptiveThreshold(src, dst, maxVal, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, blockSize, C);
 
	cv::imshow("threshold", dst);
	cv::waitKey(0);
 
	return;
}

 

我们分别使用了平均和高斯两种自适应方法，结果如下：