12-OpenCVSharp —- Cv2.AdaptiveThreshold()函数功能（自适应阈值化）详解

观视界

已于 2024-11-15 16:30:57 修改

阅读量610

点赞数 5

分类专栏： # 《OpenCV算子系列》文章标签： opencv 计算机视觉图像处理 c# 人工智能

于 2024-11-14 13:44:40 首次发布

本文链接：https://blog.csdn.net/weixin_45590420/article/details/143769061

版权

《OpenCV算子系列》专栏收录该内容

98 篇文章

订阅专栏

Cv2.AdaptiveThreshold() 是 OpenCV 中用于自适应阈值化处理的函数，主要用于图像二值化处理。与全局阈值化不同，自适应阈值化可以根据图像局部区域的亮度信息动态选择不同的阈值，适用于照明不均或对比度低的图像。

1. 核心原理公式

自适应阈值化的核心思想是对每个像素的邻域区域计算一个阈值，然后根据该阈值将图像转换为二值图像。公式如下：

$[ T(x, y) = \frac{1}{n^2} \sum_{(x', y') \in \mathcal{N}(x, y)} I(x', y') - C ]$

( T(x, y) )：局部区域的阈值，表示在位置 ( (x, y) ) 的像素点使用的阈值。
( I(x’, y’) )：邻域区域 ( \mathcal{N}(x, y) ) 中的像素值。
( \mathcal{N}(x, y) )：以 ( (x, y) ) 为中心的邻域区域（通常是一个窗口）。
( C )：常数，用于调节阈值，防止过度二值化。C 的值越大，意味着更严格的条件，更多像素会被分类为背景。
( n )：邻域窗口的大小（通常是一个奇数，例如 3x3 或 5x5）。

阈值计算可以有两种模式：均值或高斯加权。

2. 算子功能详解

Cv2.AdaptiveThreshold() 主要用于将图像进行自适应的二值化处理，解决了全局阈值化不能适应光照不均、对比度低等问题。它会根据每个像素的局部区域的统计特性（如局部均值或加权均值）计算不同的阈值，进而进行二值化。

3. 算子参数详解

Cv2.AdaptiveThreshold() 函数的主要参数如下：

Cv2.AdaptiveThreshold(
    Mat src,           // 输入图像，单通道（灰度图像）
    Mat dst,           // 输出图像，二值化后的结果
    double maxValue,   // 二值化后像素的最大值，通常是 255
    AdaptiveThresholdTypes adaptiveMethod, // 自适应阈值化方法：`MeanC` 或 `GaussianC`
    ThresholdTypes thresholdType,  // 阈值类型：`Binary` 或 `BinaryInv`
    int blockSize,     // 邻域区域的大小，通常是 3、5、7 等奇数
    double C           // 常数，用于调整阈值
);

各个参数解释：

src：输入图像，必须是灰度图像。
dst：输出图像，存储二值化后的结果。
maxValue：在二值化后的图像中，所有大于阈值的像素会被设置为此值（一般设置为 255）。
adaptiveMethod：自适应阈值化的计算方法：
- AdaptiveThresholdTypes.MeanC：根据邻域区域的均值来计算阈值。
- AdaptiveThresholdTypes.GaussianC：根据邻域区域的加权均值来计算阈值，使用高斯加权。
thresholdType：阈值化类型：
- ThresholdTypes.Binary：像素值大于阈值的部分设置为 maxValue，小于的部分设置为 0。
- ThresholdTypes.BinaryInv：与 Binary 相反，像素值大于阈值的部分设置为 0，小于的部分设置为 maxValue。
blockSize：计算局部阈值的邻域区域大小，必须是一个奇数（例如 3, 5, 7 等）。该值越大，计算的邻域越大，细节越模糊，但对于光照变化较大的区域更为鲁棒。
C：常数值，用于调整计算的阈值。较大的 C 值会使得更多的像素点变为背景。

4. 算子使用注意事项

输入图像要求：输入图像必须是灰度图像。如果是彩色图像，需要先转换为灰度图像。
blockSize 的选择：blockSize 参数是邻域大小，必须是奇数。一般来说，较大的 blockSize 可以处理光照不均问题，但可能会导致图像细节丢失；较小的 blockSize 则能保留更多细节，但对光照变化的鲁棒性较差。
C 的选择：常数 C 的选择会影响二值化的严格程度。较大的 C 值会使得阈值增加，从而导致更多的像素被归类为背景（0）；较小的 C 会使得更多像素被保留为前景（255）。
光照不均问题：自适应阈值化能够有效应对图像的光照不均问题，但仍然需要合适的参数调节。

5. 运行时间优化方法

调整 blockSize 和 C：过大的 blockSize 会增加计算量，因此可以适当减少该值，尤其是在图像尺寸较大的时候。
图像预处理：对输入图像进行预处理，如平滑滤波（例如使用高斯模糊）来去噪，可以提高自适应阈值化的效果。
使用多线程或 GPU 加速：OpenCV 支持多线程和 GPU 加速，可以利用 cv::cuda::AdaptiveThreshold()（CUDA 版本）来加速计算，尤其是在处理高分辨率图像时。

6. 函数调用示例说明

以下是使用 Cv2.AdaptiveThreshold() 进行自适应阈值化的示例代码：

using OpenCvSharp;

class Program
{
    static void Main(string[] args)
    {
        // 读取输入图像
        Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
        
        // 检查图像是否加载成功
        if (src.Empty())
        {
            Console.WriteLine("图像加载失败！");
            return;
        }

        // 输出图像
        Mat dst = new Mat();

        // 自适应阈值化：使用均值方法，邻域大小为 11，常数 C 为 2
        Cv2.AdaptiveThreshold(src, dst, 255, AdaptiveThresholdTypes.MeanC, ThresholdTypes.Binary, 11, 2);

        // 显示原始图像与二值化后的图像
        Cv2.ImShow("Original Image", src);
        Cv2.ImShow("Adaptive Threshold Image", dst);

        Cv2.WaitKey(0);
        Cv2.DestroyAllWindows();
    }
}

7. 与其他相关算子搭配使用情况

高斯模糊与自适应阈值化结合：高斯模糊可以用于去噪，减少图像中的噪点。特别是当图像中有较多噪声时，先应用高斯模糊再进行自适应阈值化可以获得更好的效果。

// 高斯模糊处理后再进行自适应阈值化
Mat blurred = new Mat();
Cv2.GaussianBlur(src, blurred, new Size(5, 5), 0);
Cv2.AdaptiveThreshold(blurred, dst, 255, AdaptiveThresholdTypes.MeanC, ThresholdTypes.Binary, 11, 2);

边缘检测与自适应阈值化结合：自适应阈值化有时会用于边缘检测中，通过选择适当的局部阈值来提高边缘提取的准确性，尤其是图像背景和前景对比度不高的情况下。
轮廓检测：在经过自适应阈值化后，可以使用 Cv2.FindContours() 函数进行轮廓检测，识别图像中的物体边界。

// 轮廓检测
Mat contoursImage = dst.Clone();
Cv2.FindContours(contoursImage, out var contours, out var hierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple);

8. 总结

功能：自适应阈值化能够根据图像局部区域的亮度信息进行动态阈值选择，解决全局阈值化方法在光照不均图像中的局限性。通过局部计算阈值，可以有效地处理如阴影、光照变化或者复杂背景等情况。
参数调整：blockSize 和 C 是影响自适应阈值化结果的关键参数，选择合适的值对于处理效果至关重要：
- blockSize：较大的 blockSize 值适用于光照变化大、细节不重要的场景，但会使图像模糊；较小的 blockSize 则能够更好地保留细节，但可能对不均匀光照敏感。
- C：常数 C 控制局部阈值的严苛度。增大 C 值使阈值更严格，背景更多像素被判定为 0；减小 C 值则会让更多像素成为前景。

9. 常见问题及优化建议

1. 噪声问题

自适应阈值化对于噪声非常敏感，尤其在处理低对比度或存在杂散噪声的图像时。噪声会干扰局部区域的阈值计算，导致错误的二值化效果。

优化建议：

预处理去噪：使用高斯模糊（Cv2.GaussianBlur()）对图像进行平滑，可以有效减少噪声对结果的影响。例如：

Mat blurred = new Mat();
Cv2.GaussianBlur(src, blurred, new Size(5, 5), 0);
Cv2.AdaptiveThreshold(blurred, dst, 255, AdaptiveThresholdTypes.MeanC, ThresholdTypes.Binary, 11, 2);

2. 图像分辨率和计算效率

对于高分辨率图像，blockSize 和 C 参数的选择会直接影响计算时间。大尺寸图像会导致更多的计算，特别是如果 blockSize 设置得较大。

优化建议：

调整 blockSize 和 C：对于分辨率较高的图像，可以适当减小 blockSize，同时调整 C 值，使得计算时间减少。大多数情况下，blockSize 设置为 3、5 或 7 已经能够得到较好的效果。

分辨率缩放：如果计算时间是一个瓶颈，可以尝试降低图像分辨率，再进行自适应阈值化，处理完后再缩放回原始尺寸。通过降低图像分辨率减少计算量。

Mat resized = new Mat();
Cv2.Resize(src, resized, new Size(src.Width / 2, src.Height / 2));
Cv2.AdaptiveThreshold(resized, dst, 255, AdaptiveThresholdTypes.MeanC, ThresholdTypes.Binary, 7, 2);

3. 背景与前景对比度较低

在背景和前景的对比度非常低的情况下，自适应阈值化可能不够敏感，导致前景区域与背景难以区分。

优化建议：

增加局部对比度：在进行自适应阈值化前，可以通过直方图均衡化（Cv2.EqualizeHist()）来增强图像的局部对比度，使得阈值化处理更加有效。
```
Mat equalized = new Mat();
Cv2.EqualizeHist(src, equalized);
Cv2.AdaptiveThreshold(equalized, dst, 255, AdaptiveThresholdTypes.MeanC, ThresholdTypes.Binary, 11, 2);
```

4. 光照不均和阴影区域

在某些光照不均或者阴影区域较大的图像中，局部阈值的计算可能会受到影响，导致阴影区域和前景区域都被错误地认为是背景或前景。

优化建议：

调整 C 值：减小 C 值，可以使得阈值更宽松，帮助保留更多细节，尤其是在光照较暗的区域。
改用加权平均法：使用 GaussianC（加权均值法）代替 MeanC，因为加权平均会对中心像素给予更高的权重，有助于缓解光照不均的问题。

10. 与其他算子搭配使用

与边缘检测搭配使用：在图像中提取边缘时，阈值化常常与边缘检测算法结合使用。尤其在图像的局部区域有较大亮度变化时，自适应阈值化能够增强边缘提取的效果。常见的边缘检测算法有 Canny 边缘检测，通常在二值化之后进行边缘检测。
```
Mat edges = new Mat();
Cv2.Canny(dst, edges, 100, 200);
Cv2.ImShow("Edges", edges);
```

与轮廓检测结合：自适应阈值化后，往往会继续进行轮廓检测，用来提取图像中的物体边界。在图像中，阈值化处理后，前景会与背景分离，轮廓检测算法可以帮助精确提取目标物体的形状和位置。

// 进行轮廓检测
Mat contoursImage = dst.Clone();
Cv2.FindContours(contoursImage, out var contours, out var hierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple);

// 绘制轮廓
Mat contourImage = new Mat(dst.Size(), MatType.CV_8UC3, Scalar.All(0));
Cv2.DrawContours(contourImage, contours, -1, new Scalar(0, 255, 0), 2);
Cv2.ImShow("Contours", contourImage);