opencv自适应阈值函数adaptiveThreshold() 剖析

重点是高斯加权系数的计算，可参考一下连接，日后来补

https://blog.csdn.net/jiandanjinxin/article/details/51281828

基本思路是，先将图像分块，比如分成11x11邻域块，为了确定这个邻域块内的二值化阈值，我们采用高斯加权平均的方法，距离邻域中心点越远的权重越小，越近的权重越大（因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远），计算出权重矩阵之后 ，用像素值乘以各自的权重，然后相加，即为最终阈值。

比这个阈值大，置为0，比这个阈值小的像素点，置为255，如此就实现了局部阈值分割。

 

其他博主的见解：

接下来的问题就是，既然每个点都要取周边像素的平均值，那么应该如何分配权重呢？
如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此，加权平均更合理，距离越近的点权重越大，距离越远的点权重越小。

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。