自适应阈值分割

1.原理
       最简单的阈值分割即为手动设置阈值对图像进行二值化，大于设定的阈值像素值设置为255，小于设定阈值则为0.这种方法一般称为全局阈值分割，接下来想介绍的是一种局部阈值分割算法，其原理很简单，通俗地讲就是图片的每个局部都会通过处理得到一个阈值，这个区域就用这个阈值来进行分割，同理，每个区域都有不同的阈值来处理，如何来获取这个阈值就是整个算法的关键。
       这里用opencv的API接口来进行说明，opencv库有接口函数
void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)
src为输入图像，
dst为输出图像，
maxValue为设定的像素最大值，
adptiveMethod为使用的滤波方法，opencv给出了两种方法，分别为ADAPTIVE_THRESH_MEAN_C 和ADAPTIVE_THRESH_GAUSSIAN_C，
thresholdType为阈值类型，THRESH_BINARY 和THRESH_BINARY_INV，
blockSize指的是邻域的大小，也就是通常说的核的大小，一般为奇数，
C为阈值的偏移量。
        当使用ADAPTIVE_THRESH_MEAN_C方法时阈值为邻域的均值减去C，当使用ADAPTIVE_THRESH_GAUSSIAN_C方法时，阈值为邻域的高斯均值减去C。

2.代码展示
自己的自适应阈值分割方法，加入了中值滤波

#include<opencv2/opencv.hpp>
#include<iostream>

using namespace std;
using namespace cv;

enum FliterMethod {
 meanFliter,
 gaaussianFliter,
 medianFliter
};
void AdaptiveThreshold(Mat &src, Mat &dst,double Maxval, int Subsize,double C ,FliterMethod method )
{
 if (src.channels() > 1)
  cvtColor(src,src,CV_RGB2GRAY);
 Mat smooth;
 switch (method)
 {
 case meanFliter:
  blur(src, smooth, Size(Subsize, Subsize));
  break;
 case gaaussianFliter:
  GaussianBlur(src, smooth, Size(Subsize, Subsize), 0, 0);
  break;
 case medianFliter:
  medianBlur(src, smooth, Subsize);
  break;
 default:
  break;
 }
 smooth = smooth - C;
 src.copyTo(dst);
 int r = dst.rows;
 int c = dst.cols;
 for (int i = 0; i < r; i++)
 {
  for (int j = 0; j < c; j++)
  {
   if (dst.at<uchar>(i,j) > smooth.at<uchar>(i,j))
    dst.at<uchar>(i,j) = Maxval;
   else
    dst.at<uchar>(i,j) = 0;
  }
 }
}

为了看下实时处理的效果，调用了电脑摄像头，代码如下

int Capture() {
 VideoCapture cap;
 cap.open(0);
 Mat frame;
 //Mat src;
 if (!cap.isOpened())
  return -1;
 while (1)
 {
  cap.read(frame);
  if (frame.empty())
   break;
  //GaussianBlur(frame, src, Size(5, 5), 3, 3);
  Mat src,tmp;
  AdaptiveThreshold(frame, src, 255, 7, 5, meanFliter);
  adaptiveThreshold(frame, tmp, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 7, 10);
  //imshow(" ", frame);
  imshow("AdaptiveThreshold",src);
  imshow("opencv", tmp);
  waitKey(10);
 }
 cap.release();
 destroyAllWindows();
}

以下为测试代码

int main()
{
 Mat img = imread("C:/Users/94077/Desktop/QQ截图20200307162029.bmp");
 Mat src,tmp;
 AdaptiveThreshold(img, src, 255, 7, 10, gaaussianFliter);
 adaptiveThreshold(img, tmp, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY,7, 10);
 imshow("function", src);
 imshow("opencv", tmp);
 waitKey(0);
 //Capture（）；
 return 0；
 }

3.结果展示
       这里放几张处理的图片对比一下，发现还是opencv的库函数处理效果好一点，但是针对不同的图片，在某些时候中值滤波的效果可能要比其余两种效果好。