【拜小白opencv】22-自适应阈值化操作：adaptiveThreshold()函数

常言道“温故而知新”，写此文章就是对自己目前学习内容的小小的总结与记录。

本文力求用最简洁的语言，详细的代码将此部分内容讲解清楚，但由于博主同样是刚刚接触OpenCV，或许表达上有些瑕疵，还望读者能够指教探讨，大家共同进步。

博主机器配置为：VS2013+opencv2.4.13+Win-64bit。

若本文能给读者带来一点点启示与帮助，我就很开心了。

===========================分割线========================

在图像阈值化操作中，更关注的是从二值化图像中，分离目标区域和背景区域，但是仅仅通过在上一节中讲解的设定固定阈值很难达到理想的分割效果。而自适应阈值则，是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处：

1. 每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。
2. 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。
3. 不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。

=======================分割线=================

1-adaptiveThreshold()--自适应阈值化操作

OpenCV中提供了自适应阈值化函数adaptiveThreshold()，该函数有两种自适应阈值化类型参数可供选择，用来对当前像素点与领域像素块进行阈值计算。常用的自适应阈值类型有：1）局部邻域块的平均值；2）局部邻域块的高斯加权和。

下面来看看adaptiveThreshold()函数的定义：

void adaptiveThreshold( InputArray src, OutputArray dst,
                        double maxValue, int adaptiveMethod,
                        int thresholdType, int blockSize, double C );

参数说明

• 参数1：InputArray类型的src，输入图像，填单通道，单8位浮点类型Mat即可。
• 参数2：函数运算后的结果存放在这。即为输出图像（与输入图像同样的尺寸和类型）。
• 参数3：预设满足条件的最大值。
• 参数4：指定自适应阈值算法。可选择ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C两种。（具体见下面的解释）。
• 参数5：指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV两种。（即二进制阈值或反二进制阈值）。
• 参数6：表示邻域块大小，用来计算区域阈值，一般选择为3、5、7......等。
• 参数7：参数C表示与算法有关的参数，它是一个从均值或加权均值提取的常数，可以是负数。（具体见下面的解释）。

-------------------------------------------------------------------------

对参数4与参数7内容的解释：

自适应阈值化计算大概过程是为每一个象素点单独计算的阈值，即每个像素点的阈值都是不同的，就是将该像素点周围B*B区域内的像素加权平均，然后减去一个常数C，从而得到该点的阈值。B由参数6指定，常数C由参数7指定。

参数4中：
ADAPTIVE_THRESH_MEAN_C，为局部邻域块的平均值。该算法是先求出块中的均值，再减去常数C。
ADAPTIVE_THRESH_GAUSSIAN_C ，为局部邻域块的高斯加权和。该算法是在区域中（x，y）周围的像素根据高斯函数按照他们离中心点的距离进行加权计算， 再减去常数C。

举个例子：如果使用平均值方法，平均值mean为190，差值delta（即常数C）为30。那么灰度小于160的像素为0，大于等于160的像素为255。如下图：

如果是反向二值化，如下图：

delta（常数C）选择负值也是可以的。

===================分割线================

2-代码演示

/*
	自适应阈值：adaptiveThreshold()函数
*/

#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】读取源图像并检查图像是否读取成功------------    
	Mat srcImage = imread("D:\\OutPutResult\\ImageTest\\build.jpg");
	if (!srcImage.data)
	{
		cout << "读取图片错误，请重新输入正确路径！\n";
		system("pause");
		return -1;
	}
	imshow("【源图像】", srcImage);
	//------------【2】灰度转换------------    
	Mat srcGray;
	cvtColor(srcImage, srcGray, CV_RGB2GRAY);
	imshow("【灰度图】", srcGray);
	//------------【3】初始化相关变量---------------  
	Mat dstImage;		//初始化自适应阈值参数
	const int maxVal = 255;
	int blockSize = 3;	//取值3、5、7....等
	int constValue = 10;
	int adaptiveMethod = 0;
	int thresholdType = 1;
	/*
		自适应阈值算法
		0:ADAPTIVE_THRESH_MEAN_C
		1:ADAPTIVE_THRESH_GAUSSIAN_C
		--------------------------------------
		阈值类型
		0:THRESH_BINARY
		1:THRESH_BINARY_INV
	*/
	//---------------【4】图像自适应阈值操作-------------------------
	adaptiveThreshold(srcGray, dstImage, maxVal, adaptiveMethod, thresholdType, blockSize, constValue);

	imshow("【自适应阈值】", dstImage);
	waitKey(0);
	return 0;
}

===========================分割线========================

3-显示结果

=========================分割线==================

4-程序说明

可以发现自适应阈值能很好的观测到边缘信息。阈值的选取是算法自动完成的，很方便。

固定阈值化操作请看： 【拜小白opencv】21-固定阈值化：Threshold()函数

=====================END========================