聲明: 轉載請標明文章來源及出處,請尊重作者尊重智慧,感謝!! (感謝PHILOS_THU )
[文章來源] (http://blog.csdn.net/guduruyu/article/details/68059450):http://blog.csdn.net/guduruyu/article/details/68059450
作者:PHILOS_THU
閾值化操作在圖像處理中是一種常用的算法，比如圖像的二值化就是一種最常見的一種閾值化操作。opencv2和opencv3中提供了直接閾值化操作cv::threshold()和自適應閾值化操作cv::adaptiveThreshold()兩種閾值化操作接口，這里將對這兩個接口進行介紹和對比。
一、直接閾值化——cv::threshold()
閾值化操作的基本思想是，給定一個輸入數組和一個閾值，數組中的每個元素將根據其與閾值之間的大小發生相應的改變。opencv3中支持這一操作的接口是cv::threshold()，具體調用方法:
double cv::threshold(
cv::InputArray src, // 輸入圖像
cv::OutputArray dst, // 輸出圖像
double thresh, // 閾值
double maxValue, // 向上最大值
int thresholdType // 閾值化操作的類型
);
如下表所示，每一種閾值化操作類型，對應著一種源圖像上每一個像素點與閾值thresh之間比較操作。根據源圖像像素和閾值之間的大小關系，目標像素可能被置為0、原像素值、或者設定的最大值maxValue。
下圖將會幫助大家理解不同的閾值化類型所表示的確切含義。
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;
}
實用上面的代碼進行閾值化處理，原圖和五種不同方式閾值化的結果分別如下：
另外，在opencv3中cv::threshold()函數還支持一種特殊的閾值化操作方式，即Otsu算法。該算法的主要思想是，在進行閾值化時，考慮所有可能的閾值，分別計算低于閾值和高于閾值像素的方差，使下式最小化的值作為閾值：
其中，兩類像素方差的權值由兩類像素的個數決定。這種閾值化的結果相對來說比較理想，可以避免尋找合適閾值的操作，但是這種方式運算量較大，費時。處理的結果如下：
但是，直接閾值化操作是一種一刀切的方式，對于亮度分布差異較大的圖像，常常無法找到一個合適的閾值。如下所示，對棋盤格進行二值化操作，由于圖像右上角區域和圖像下部的亮度差異較為大，無法找到一個合適的閾值，將棋盤上的所有棋盤格給區分開來。
針對于上述情況，我們需要一種改進的閾值化算法，即自適應閾值化。
二、自適應閾值化——cv::adaptiveThreshold()
自適應閾值化能夠根據圖像不同區域亮度分布的，改變閾值，具體調用方法如下：
void cv::adaptiveThreshold(
cv::InputArray src, // 輸入圖像
cv::OutputArray dst, // 輸出圖像
double maxValue, // 向上最大值
int adaptiveMethod, // 自適應方法，平均或高斯
int thresholdType // 閾值化類型
int blockSize, // 塊大小
double C // 常量
);
cv::adaptiveThreshold()支持兩種自適應方法，即cv::ADAPTIVE_THRESH_MEAN_C（平均）和cv::ADAPTIVE_THRESH_GAUSSIAN_C（高斯）。在兩種情況下，自適應閾值T(x, y)。通過計算每個像素周圍bxb大小像素塊的加權均值并減去常量C得到。其中，b由blockSize給出，大小必須為奇數；如果使用平均的方法，則所有像素周圍的權值相同；如果使用高斯的方法，則（x,y）周圍的像素的權值則根據其到中心點的距離通過高斯方程得到。
測試代碼如下：
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;
}
我們分別使用了平均和高斯兩種自適應方法，結果如下：
