【1】引言
前序学习了5种阈值处理方法，包括(反)阈值处理、(反)零值处理和截断处理，相关文章链接为：
python学opencv|读取图像（三十三）阈值处理-灰度图像-CSDN博客
python学opencv|读取图像（三十四）阈值处理-彩色图像-CSDN博客
python学opencv|读取图像（三十五）反阈值处理-CSDN博客
python学opencv|读取图像（三十六）（反）零值处理-CSDN博客
python学opencv|读取图像（三十七 ）截断处理-CSDN博客
经过对比，会发现零值处理获得的图像效果更为明显。
但实际上，无论是哪种处理方法，内部的阈值开关都是自由设定的，因此，难以确认零值处理是否效果总是相对较好？
这时候，我们刚好发现了一个自适应处理函数：cv.adaptiveThreshold()，这个函数允许图像按照方块大小，逐个做阈值处理，相当于是更为精细化的阈值处理方式。
【2】官网教程
点击下述链接，可以直达cv.adaptiveThreshold()函数的官网教程：
OpenCV: Miscellaneous Image Transformations
在官网，可以看到cv.adaptiveThreshold()函数的参数说明：
图1
具体的参数解释为：
void cv::adaptiveThreshold ( InputArray src, #输入图像
OutputArray dst, #输出图像
double maxValue, #阈值上限
int adaptiveMethod, #自适应方法
int thresholdType, #阈值处理方法
int blockSize, #方块大小
double C ) #均值或者加权均值减去的常量，一般是正整数
官网指出，自适应放大法adaptiveMethod只有两种选择：cv.THRESH_BINARY和cv.THRESH_BINARY_INV。
【3】代码测试
cv.adaptiveThreshold()函数只能对灰度图进行自适应处理，这里我们先回忆一下灰度图生成技巧：
python学opencv|读取图像（十一）彩色图像转灰度图的两种办法_opencv读取png图片为灰度图片-CSDN博客
因此我们在设计程序时，也设计了两种灰度图转化方法，以作为对前述学习知识的复习：
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcf.png',0) #读取图像
dst=src#输出图像# 读取图片-函数转化灰度图
src1 = cv.imread('srcf.png') #读取图像
dst1=cv.cvtColor(src1,cv.COLOR_BGR2GRAY) #转化为灰度图dstt=np.hstack((dst,dst1)) #两种灰度图拼接在一起由于我们已经知晓了这两种方法转化后的图像效果一样，因此直接进行自适应处理，并且把零值处理加进来做对比：
#自适应处理
dstt1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,5,3) #
dstt2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,5,3) #
dsttv1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY_INV,5,3) #
dsttv2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY_INV,5,3) #
#零值处理
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158
#dstt3=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_TOZERO,5,3) #
dsttt=np.hstack((dstt1,dstt2)) #两种灰度图拼接在一起
dstttv=np.hstack((dsttv1,dsttv2)) #两种灰度图拼接在一起8,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158然后对图像进行呈现和保存：
#阈值和零值处理
#t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
#t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255#截断处理
#t3,dst3=cv.threshold(src,58,158, cv.THRESH_TRUNC) #截断-阈值开关158，阈值上限200#t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
#t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255#反阈值和反零值处理
#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
#tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
#tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
#tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255#和原图对比
#ttt1=np.hstack((dst,dst1,dst3)) #原图-阈值-截断对比
#ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
#ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
#ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
#ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
#ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
#ttt7=np.vstack((ttt5,ttt6)) #原图-阈值-零值-截断-反阈值-反零值对比
#展示图像
#cv.imshow('srcft0', dst) # 在屏幕展示效果
cv.imshow('srcft', dstt) # 在屏幕展示效果
cv.imshow('srcft2', dst2) # 在屏幕展示效果
cv.imshow('srcftt1', dsttt) # 在屏幕展示效果
cv.imshow('srcftt2', dstttv) # 在屏幕展示效果
#cv.imshow('srcfttv1', dsttv1) # 在屏幕展示效果
#cv.imshow('srcfttv2', dsttv2) # 在屏幕展示效果
#cv.imshow('srcftt3', dstt3) # 在屏幕展示效果
#cv.imshow('srcft3', ttt3) # 在屏幕展示效果
#cv.imshow('srcft4', ttt4) # 在屏幕展示效果
#cv.imshow('srcft5', ttt7) # 在屏幕展示效果
#显示BGR值
#print("原图-dst像素数为[100,100]位置处的BGR=", dst[100, 100]) # 获取像素数为[100,100]位置处的BGR
#print("阈值-dst1像素数为[100,100]位置处的BGR=", dst1[100, 100]) # 获取像素数为[100,100]位置处的BGR
#print("零值-dst2像素数为[100,100]位置处的BGR=", dst2[100, 100]) # 获取像素数为[100,100]位置处的BGR
#print("截断-dst3像素数为[100,100]位置处的BGR=", dst3[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dsttv1像素数为[100,100]位置处的BGR=", dsttv1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dsttv2像素数为[100,100]位置处的BGR=", dsttv2[100, 100]) # 获取像素数为[100,100]位置处的BGR#print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100]) # 获取像素数为[100,100]位置处的BGR#保存图像
cv.imwrite('srcf-dstt.png', dstt) # 保存图像
cv.imwrite('srcf-dst1.png', dst2) # 保存图像
cv.imwrite('srcf-dsttt.png', dsttt) # 保存图像
cv.imwrite('srcf-dstttv.png', dstttv) # 保存图像
#cv.imwrite('srcf-ttt1.png', dsttv1) # 保存图像
#cv.imwrite('srcf-ttt2.png', dsttv2) # 保存图像
#cv.imwrite('srcf-ttt3.png', dstt3) # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt3.png', ttt3) # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt4.png', ttt4) # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt7.png', ttt7) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口此处使用的原始图像为：
图2
转化后的两种灰度图为：
图3 两种方法转化的灰度图
按照自适应转化后的图像为：
图4 左cv.ADAPTIVE_THRESH_MEAN_C右cv.ADAPTIVE_THRESH_GAUSSIAN_C-cv.THRESH_BINARY阈值处理方法
图4显示了cv.ADAPTIVE_THRESH_MEAN_C和cv.ADAPTIVE_THRESH_GAUSSIAN_C应用cv.THRESH_BINARY阈值处理方法获得的两种图像，实际上看不出显著差别。
图5 左cv.ADAPTIVE_THRESH_MEAN_C右cv.ADAPTIVE_THRESH_GAUSSIAN_C-cv.THRESH_BINARY_INV阈值处理方法
图5显示了cv.ADAPTIVE_THRESH_MEAN_C和cv.ADAPTIVE_THRESH_GAUSSIAN_C应用cv.THRESH_BINARY_INV阈值处理方法获得的两种图像，实际上也看不出显著差别。
图4和图5相对来说，因为是按照相反的阈值处理方法，所以在颜色黑白上有明显的差别，相对来说，图4代表的阈值处理方法保存的细节相对更多。
之后大家一起看一下零值处理的图像：
图6 零值处理
相对来说，零值处理保留的细节多，自适应处理保留轮廓更多。
此时的完整代码为（下述代码附带了很多注释，调整“#”出现的位置，可以用来辅助测试其他阈值处理方法）：
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcf.png',0) #读取图像
dst=src#输出图像# 读取图片-函数转化灰度图
src1 = cv.imread('srcf.png') #读取图像
dst1=cv.cvtColor(src1,cv.COLOR_BGR2GRAY) #转化为灰度图dstt=np.hstack((dst,dst1)) #两种灰度图拼接在一起#自适应处理
dstt1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,5,3) #
dstt2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,5,3) #
dsttv1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY_INV,5,3) #
dsttv2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY_INV,5,3) #
#零值处理
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158
#dstt3=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_TOZERO,5,3) #
dsttt=np.hstack((dstt1,dstt2)) #两种灰度图拼接在一起
dstttv=np.hstack((dsttv1,dsttv2)) #两种灰度图拼接在一起
#阈值和零值处理
#t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
#t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255#截断处理
#t3,dst3=cv.threshold(src,58,158, cv.THRESH_TRUNC) #截断-阈值开关158，阈值上限200#t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
#t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255#反阈值和反零值处理
#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
#tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
#tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
#tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255#和原图对比
#ttt1=np.hstack((dst,dst1,dst3)) #原图-阈值-截断对比
#ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
#ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
#ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
#ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
#ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
#ttt7=np.vstack((ttt5,ttt6)) #原图-阈值-零值-截断-反阈值-反零值对比
#展示图像
#cv.imshow('srcft0', dst) # 在屏幕展示效果
cv.imshow('srcft', dstt) # 在屏幕展示效果
cv.imshow('srcft2', dst2) # 在屏幕展示效果
cv.imshow('srcftt1', dsttt) # 在屏幕展示效果
cv.imshow('srcftt2', dstttv) # 在屏幕展示效果
#cv.imshow('srcfttv1', dsttv1) # 在屏幕展示效果
#cv.imshow('srcfttv2', dsttv2) # 在屏幕展示效果
#cv.imshow('srcftt3', dstt3) # 在屏幕展示效果
#cv.imshow('srcft3', ttt3) # 在屏幕展示效果
#cv.imshow('srcft4', ttt4) # 在屏幕展示效果
#cv.imshow('srcft5', ttt7) # 在屏幕展示效果
#显示BGR值
#print("原图-dst像素数为[100,100]位置处的BGR=", dst[100, 100]) # 获取像素数为[100,100]位置处的BGR
#print("阈值-dst1像素数为[100,100]位置处的BGR=", dst1[100, 100]) # 获取像素数为[100,100]位置处的BGR
#print("零值-dst2像素数为[100,100]位置处的BGR=", dst2[100, 100]) # 获取像素数为[100,100]位置处的BGR
#print("截断-dst3像素数为[100,100]位置处的BGR=", dst3[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dsttv1像素数为[100,100]位置处的BGR=", dsttv1[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100]) # 获取像素数为[100,100]位置处的BGR
print("dsttv2像素数为[100,100]位置处的BGR=", dsttv2[100, 100]) # 获取像素数为[100,100]位置处的BGR#print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100]) # 获取像素数为[100,100]位置处的BGR#保存图像
cv.imwrite('srcf-dstt.png', dstt) # 保存图像
cv.imwrite('srcf-dst1.png', dst2) # 保存图像
cv.imwrite('srcf-dsttt.png', dsttt) # 保存图像
cv.imwrite('srcf-dstttv.png', dstttv) # 保存图像
#cv.imwrite('srcf-ttt1.png', dsttv1) # 保存图像
#cv.imwrite('srcf-ttt2.png', dsttv2) # 保存图像
#cv.imwrite('srcf-ttt3.png', dstt3) # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt3.png', ttt3) # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt4.png', ttt4) # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt7.png', ttt7) # 保存图像
cv.waitKey() # 图像不会自动关闭
cv.destroyAllWindows() # 释放所有窗口
【4】细节说明
自适应处理函数cv.adaptiveThreshold()：
只能处理单通道的灰度图；
阈值处理方法只能选用cv.THRESH_BINARY和cv.THRESH_BINARY_INV两种阈值处理方法。
图7
【5】总结
掌握了python+opencv实现图像自适应处理的技巧。
