一、自适应阈值分割
1、核心原理
- 通过局部区域的平均值（或加权平均）来确定每个像素的阈值：
2、算法功能
- 自适应阈值分割能处理图像中光照不均的情况，尤其适合处理背景和前景亮度差异较大的图像。
3、算子参数
Cv2.AdaptiveThreshold(Mat src, Mat dst, double maxValue, AdaptiveThresholdTypes adaptiveMethod, ThresholdTypes thresholdType, int blockSize, double C);
- src：输入图像（单通道灰度图像）。
- dst：输出图像（处理后的二值化图像）。
- maxValue：当像素值大于局部阈值时的最大值。
- adaptiveMethod：自适应方法，如 GaussianC 或 MeanC。
- thresholdType：阈值类型，通常为 Binary 或 BinaryInv。
- blockSize：计算局部阈值时使用的邻域大小，必须是奇数。
- C：常数，用于从局部均值中减去的值。
4、使用场景
- 适用于光照不均匀的图像，如文档图像、自然场景中的目标分割。
- 常用于处理具有不同亮度条件的图像，如阳光直射或阴影区域。
5、使用注意事项
- 块大小：选择合适的块大小非常重要，较小的块适合局部光照变化较小的图像，较大的块适合全图光照变化较大的图像。
- 常数C：常数C决定了阈值的灵敏度，较大的C值使得算法更保守，较小的C值容易将背景判定为前景。
6、优缺点
- 优点：适应光照变化强，能够自动调整阈值。
- 缺点：计算复杂度较高，特别是大图像时会消耗较多的计算资源。
7、运行时间优化方法
- 调整邻域块大小：使用较小的块大小可以减少计算量，但可能会损失一定的效果。
- 并行处理：对于大图像，可以利用多线程或GPU加速来提高速度。
8、示例
using OpenCvSharp;
// 读取图像
Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
// 进行自适应阈值分割
Mat dst = new Mat();
Cv2.AdaptiveThreshold(src, dst, 255, AdaptiveThresholdTypes.GaussianC, ThresholdTypes.Binary, 11, 2);
// 显示结果
Cv2.ImShow("Adaptive Threshold", dst);
Cv2.WaitKey(0);
Cv2.DestroyAllWindows();
- 在此例中，使用高斯加权均值计算局部区域的阈值，块大小为 11，常数C为2，这些参数适用于光照变化较大的图像。
9、结合其他相关算法搭配使用
- 可与 Cv2.Canny() 边缘检测结合，进行图像的边缘提取。
- 可与 Cv2.MorphologyEx() 的形态学操作结合，用于进一步处理自适应分割后的结果。
10、相似或平替算法
- 局部二值模式 (Local Binary Pattern, LBP)：
可用于图像的纹理分类，虽然它与阈值分割不同，但可以用作另一种分割的替代方法。
二、资料
技能拾荒者《8-OpenCVSharp--常见阈值分割算法使用方法》：
https://blog.csdn.net/weixin_45590420/article/details/143787344
