图像处理算法系列第二章二值化

最新推荐文章于 2025-07-23 11:59:06 发布

原创最新推荐文章于 2025-07-23 11:59:06 发布 · 2.5k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#opencv 二值化 #图像处理

视频音频图像处理算法专栏收录该内容

7 篇文章

订阅专栏

本文介绍了图像处理中的一种基本技术——二值化，并详细解释了其定义与常见算法，包括固定阈值与自适应阈值的方法。通过具体的代码示例展示了如何实现二值化过程。

本来想写一些关于walsh 算法的，但是现在还没有完全搞懂只好延后了，先写写简单的。

一、二值化的定义

从维基百科拿过来的定义：

二值化是图像分割的一种方法。在二值化图象的时候把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。

根据阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。比较常用的二值化方法则有：双峰法、P参数法、迭代法和OTSU法等。

二、二值化的算法

这里就简单讲一下固定阈值的算法:

$dst(x,y) = \fork{\texttt{maxValue}}{if $src(x,y) > T(x,y)$}{0}{otherwise}$

拿最简单的灰度图来说如果大于给定值，则设置为255，如果小于则设置为0

对于自适应阈值的意思，应该是统计出图像中直方图的分布情况，然后取分布比较多的值当做阈值。

三代码

void binImage(Mat input ,Mat &out, int threshold)
{
		// accept only char type matrices
    CV_Assert(input.depth() != sizeof(uchar));

	out.create(input.cols,input.rows,CV_8UC1);

    int nRows = input.rows;
    int nCols = input.cols;

    if (input.isContinuous() && out.isContinuous())
    {
        nCols *= nRows;
        nRows = 1;
    }

    int i,j;
    uchar* p;
	uchar* q;
    for( i = 0; i < nRows; ++i)
    {
        p = input.ptr<uchar>(i);
		q = out.ptr<uchar>(i);
        for ( j = 0; j < nCols; ++j)
        {
			if( p[j]> threshold)
				q[j] = 255;
			else
				q[j] = 0;
			
        }
    }

}

四效率和效果

效率上面比原始图片还是要差一点的。