欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
OpenCV 例程200篇 总目录-202205更新

【youcans 的 OpenCV 例程200篇】166.自适应阈值处理

3.6 自适应阈值处理

噪声和非均匀光照等因素对阈值处理的影响很大，例如光照复杂时 Otsu 算法等全局阈值分割方法的效果往往不太理想，需要使用可变阈值处理。

可变阈值是指对于图像中的每个像素点或像素块有不同的阈值，如果该像素点大于其对应的阈值则认为是前景。

局部阈值分割可以根据图像的局部特征进行处理，与图像像素位置、灰度值及邻域特征值有关。

可变阈值处理的基本方法，是对图像中的每个点，根据其邻域的性质计算阈值。标准差和均值是对比度和平均灰度的描述，在局部阈值处理中非常有效。

OpenCV 提供了函数 cv.adaptiveThreshold 来实现自适应阈值处理。

函数说明：

cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
→ dst

函数 cv.adaptiveThreshold 根据参数 adaptiveMethod 来确定自适应阈值的计算方法。

参数说明：

• scr：输入图像，nparray 二维数组，必须是 8-bit 单通道灰度图像！
• dst：输出图像，大小和格式与 scr 相同
• maxValue：为满足条件的像素指定的非零值，具体用法见 thresholdType 说明
• adaptiveMethod：自适应方法选择
  • cv.ADAPTIVE_THRESH_MEAN_C：阈值是邻域的均值
  • cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是邻域的高斯核加权均值
• thresholdType：阈值处理方法
  • cv2.THRESH_BINARY：大于阈值时置 maxValue，否则置 0
  • cv2.THRESH_BINARY_INV：大于阈值时置 0，否则置 maxValue
• blockSize：像素邻域的尺寸，用于计算邻域的阈值，通常取 3，5，7
• C：偏移量，从邻域均值中减去该常数

例程 11.23：自适应阈值处理

    # 11.23 基于局部性质的自适应阈值处理img = cv2.imread("../images/Fig1050a.tif", flags=0)# img = cv2.imread("../images/Fig1043a.tif", flags=0)# OTSU 全局阈值处理histCV = cv2.calcHist([img], [0], None, [256], [0, 256])  # 灰度直方图ret, imgOtsu = cv2.threshold(img, 127, 255, cv2.THRESH_OTSU)  # 阈值分割, thresh=T# 自适应局部阈值处理binaryMean = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)binaryGauss = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)# 自适应局部阈值处理ratio = 0.2imgBlur = cv2.boxFilter(img, -1, (5,5))  # 盒式滤波器，均值平滑localThresh = img - (1.0-ratio) * imgBlurbinaryBox = np.ones_like(img) * 255  # 创建与 img 相同形状的白色图像binaryBox[localThresh<0] = 0plt.figure(figsize=(9, 6))plt.subplot(231), plt.axis('off'), plt.title("Origin")plt.imshow(img, 'gray')plt.subplot(232,yticks=[]), plt.axis([0,255,0,np.max(histCV)])plt.bar(range(256), histCV[:,0]), plt.title("Gray Hist")plt.subplot(233), plt.axis('off'), plt.title("OTSU(T={})".format(ret))plt.imshow(imgOtsu, 'gray')plt.subplot(234), plt.axis('off'), plt.title("Adaptive mean")plt.imshow(binaryMean, 'gray')plt.subplot(235), plt.axis('off'), plt.title("Adaptive Gauss")plt.imshow(binaryGauss, 'gray')plt.subplot(236), plt.axis('off'), plt.title("Adaptive BoxFilter")plt.imshow(binaryBox, 'gray')plt.tight_layout()plt.show()

（本节完）

---

版权声明：

youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/124400691)

Copyright 2022 youcans, XUPT
Crated：2022-4-25

欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中

【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
更多内容，请见：
【OpenCV 例程200篇 总目录-202206更新】