6.2 自适应阈值处理

• 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，有时图像 的色彩是不均衡的，此时如果只使用一个阈值，就无法得到清晰有效的阈值分割结果图像。
• 有一种改进的阈值处理技术，其使用变化的阈值完成对图像的阈值处理，这种技术被称为 自适应阈值处理。在进行阈值处理时，自适应阈值处理的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，并使用该阈值对当前像素点进行处理。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。

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 = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType,blockSize, C )
式中:

• dst 代表自适应阈值处理结果。
• src 代表要进行处理的原始图像。需要注意的是，该图像必须是 8 位单通道的图像。
• maxValue 代表最大值。
• adaptiveMethod 代表自适应方法。
• thresholdType 代表阈值处理方式，该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV 中的一个。
• blockSize 代表块大小。表示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 是常量。

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。

【例 6.11】对一幅图像分别使用二值化阈值函数 cv2.threshold()和自适应阈值函数cv2.adaptiveThreshold()进行处理，观察处理结果的差异。

import cv2
import numpy as np

img = cv2.imread("/Users/zhaofeier/Desktop/源代码及图像/chapter6/computer.jpg",0)
t1,thd = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
athdMean = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,5,3)
athdGaus = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)

cv2.imshow("img",img)
cv2.imshow("thd",thd)   #? 二值化阈值处理
cv2.imshow("athdMean",athdMean)
cv2.imshow("athdGaus",athdGaus)

cv2.waitKey()
cv2.destroyAllWindows()