【进阶】自适应阈值处理

1. 引入

对于色彩均衡的图像，直接使用一个阈值就能完成对图像的阈值化处理。

但是，现实遇到的情况有时候会复杂的多，这些图像的色彩是不均衡的，这时候如果只使用上节所述的一个阈值，就无法得到理想的阈值分割结果。

所以有一种改进的阈值处理方法，使用非固定的阈值来对图像进行阈值处理，这种方法就是自适应阈值处理：在进行阈值处理时，该方式通过计算每个像素点周围临近区域的加权平均值获得阈值，然后利用该动态阈值对当前像素点进行阈值处理。与普通的阈值处理方法相比，自适应阈值处理能够更好地处理明暗差异较大的图像。

2. 自适应阈值处理函数

OpenCV提供了函数cv2.adaptiveThreshold()来实现自适应阈值处理，该函数的语法格式为：

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

dst：自适应阈值处理结果。
src：要进行自适应阈值处理的图像（该图像必须是8位单通道的图像）。
maxValue：最大值。
adaptiveMethod：自适应方法。
thresholdType：阈值处理方式，cv2.THRESH_BINARY Or cv2.THRESH_BINARY_INV。
blockSize：块大小。一个像素在计算其阈值时所使用的邻域尺寸，通常为3、5、7等。
C：常量。

函数cv2.adaptiveThreshold()根据参数adaptiveMethod来确定自适应阈值的计算方法，函数包含cv2.ADAPTIVE_THRESH_MEAN_C和cv2.ADAPTIVE_THRESH_GAUSSIAN_C两种不同的方法。这两种方法都是逐个像素地计算自适应阈值，自适应阈值等于每个像素由参数blockSize所指定邻域的加权平均值减去常量C。两种不同的方法在计算邻域的加权平均值时所采用的方式不同：

● cv2.ADAPTIVE_THRESH_MEAN_C：邻域所有像素点的权重值是一致的。

● cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与邻域各个像素点到中心点的距离有关，通过高斯方程得到各个点的权重值。

3. 程序演示

"""
Author: Will Wang
Email: WillWang1998@163.com
"""
import cv2
import numpy as np

gray = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)
gray = cv2.resize(gray, (350, 350))
retval, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

adaptive_thresh_mean = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
adaptive_thresh_gaussian = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)

image_stack = np.hstack((gray, thresh, adaptive_thresh_mean, adaptive_thresh_gaussian))

cv2.imshow('gray, thresh, adaptive_thresh_mean, adaptive_thresh_gaussian', image_stack)

cv2.waitKey(0)
cv2.destroyAllWindows()

换一张明暗差异较大的图片试验：

通过对比普通的阈值处理与自适应阈值处理可以发现，自适应阈值处理保留了更多的细节信息。在一些极端情况下，普通的阈值处理会丢失大量的信息，而自适应阈值处理可以得到效果更好的二值图像。