对于色彩均衡的图像,直接使用个阈值就能完成对图像的阙值化处理。但是,有时图像的色彩是不均衡的,此时如果只使用一个阙值,就无法得到清晰有效的阈值分割结果图像
有一种改进的阙值处理技术,其使用变化的阙值完成对图像的阙值处理,这种技术被称为自适应阙值处理。在进行阔值处理时,自适应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,并使用该值对当前像素点进行处理。与营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() 来实现自适应阙值处理,该函数的语法格式为
dst = cv2. adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType,bloclSize,C)
式中
- dst 代表自适应阈值处理结果
2.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
3.maxValue 代表最大值
4.adaptiveMethod 代表自适应方法
5.thresholdType 代表值处理方式,该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INY中的一个
6.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
7.C 是常量
函数cv2. adaptiveThreshold()根据参数 adaptiveMethod 来确定自适应阀值的计算方法,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值,自适应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阀值函数 cv2 threshold()和自适应阀值函数
cv2.adaptiveThreshold() 进行处理,观察处理结果的差异
根据题目要求,编写代码如下:
import cv2
img=cv2.imread("C:\\Users\\Administrator\\Desktop\\opencv\\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,3,5)
athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,5)
cv2.imshow("img",img)
cv2.imshow("thd",thd)
cv2.imshow("athdMEAN",athdMEAN)
cv2.imshow("athdGAUS",athdGAUS)
cv2.waitKey()
cv2.destroyAllWindows()
1.图(a)是原始图像
- 图 b)是二值化值处理结
3.图(c)是自适应阀值采用方法 cv2.ADAPTIVE_THRESH_MEAN_C 的处理结果
4.图(d)是自适应阀值采用方法 cv2.ADAPTIVE_THRESH_GAUSSIAN_C的处理结果。
通过对比性普通的阀值处理与自适应值处理可以发现,自适应阀值处理保留了更多的细节信息,。
在一些极端情况下,普通的阀值处理会丢失大量的信息,而自适应阀值处理可以得到效果更好的二值图像
