Python+OpenCV之Bernsens局部自适应阈值法

最新推荐文章于 2024-09-29 17:28:54 发布

原创最新推荐文章于 2024-09-29 17:28:54 发布 · 3.3k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#Python #OpenCV #Bernsens #局部自适应阈值

局部自适应阈值处理专栏收录该内容

1 篇文章

订阅专栏

本文介绍了Bernsens局部自适应阈值算法，该算法将窗口中像素灰度级最值平均值作为中心像素阈值，适应性广，不受非均匀光照影响。给出编程思路，包括输入转灰、遍历像素、计算窗口阈值和二值化。实验显示该算法简单实用，但干扰点较多。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原理分析：
Bernsens算法是一种典型的局部阈值算法，其将窗口中各个四昂素灰度级最大值和最小值的平均值作为一个窗口的中心像素的阈值，因此此方法不存在预定阈值，适应性较整体阈值法广，不受非均匀光照条件等情况的影响。
设图像在像素点 (i,j) 处的灰度值 f(i,j) ，考虑以像素点(i,j)为中心的 (2w+1)*(2w+1) 窗口，其中2w+1表示窗口的边长，则Bernsen算法可以描述为：
计算图像中各个像素点 (i,j) 的阈值 T(i,j)
在这里插入图片描述
图像中各个像素点 (i,j)用 b(i,j) 值逐点进行二值化

以上内容摘自论文《局部自适应二值化方法研究》（王序哲）

编程思路：
（1）输入图像并转灰；
（2）对灰度图进行像素点遍历：
（3）以遍历到的像素点为中心，以3*3矩阵为局部窗口，找出窗口中像素级最大值和最小值之和的均值，将其计为窗口阈值；
（4）比较遍历到的像素点灰度级与窗口阈值大小，并进行二值化。

代码：

import cv2 as cv
import numpy as np

def rgb2gray(img):
    h=img.shape[0]
    w=img.shape[1]
    grayimg=np.zeros((h,w),np.uint8)
    for i in range (h):
        for j in range (w):
            grayimg[i,j]=0.144*img[i,j,0]+0.587*img[i,j,1]+0.299*img[i,j,2]
    return grayimg

def bernsens(img):
    h=img.shape[0]
    w=img.shape[1]
    img1=np.zeros((h,w),np.uint8)
    for i in range (1,h-1):
        for j in range (1,w-1):
            matrix=np.zeros((3,3),np.uint8)
            for k in range (-1,2):
                for l in range (-1,2):
                    matrix[k+1,l+1]=img[i+k,j+l]
            threshold=(np.max(matrix)+np.min(matrix))/2
            if img[i,j]>=threshold:
                img1[i,j]=255
            else:
                img1[i,j]=0
    return img1

image=cv.imread("D:/Testdata/a.png")
grayimage=rgb2gray(image)
thresholdimage=bernsens(grayimage)
cv.imshow("image",image)
cv.imshow("grayimage",grayimage)
cv.imshow("thresholdimage",thresholdimage)
cv.waitKey(0)
cv.destroyAllWindows()

实验结果：
灰度图如下：
在这里插入图片描述
二值化图如下：

Bernsens算法相较其它局部自适应二值化算法相对简单，而且对图像处理不受光照影响，但效果显而易见，干扰点较多，看着并不理想，总之还算比较实用吧。