2.預處理-二值化處理

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。

一、图像二值化基本原理

对灰度图像进行处理，设定阈值，在阈值中的像素值将变为1（白色部分），阈值为的将变为0（黑色部分）。

二、图像二值化处理步骤

（1）先对彩色图像进行灰度化

//img为原图，imgGray为灰度图
cvtColor(img, imgGray, CV_BGR2GRAY);
（2）对灰度图进行二值化

//imgGray为灰度图，result为二值图像
//100~255为阈值，可以根据情况设定
//在阈值中的像素点将变为0（白色部分），阈值之外的像素将变为1（黑色部分）。
threshold(imgGray, result, 100, 255, CV_THRESH_BINARY);
 

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：

  

--------------------- 
版权声明：本文为CSDN博主「PHILOS_THU」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/guduruyu/article/details/68059450