邯郸做商城网站的公司,企业网站搭建及优化,福田公司是国企吗,网站建设和在图像阈值化操作中#xff0c;更关注的是从二值化图像中#xff0c;分离目标区域和背景区域#xff0c;但是仅仅通过设定固定阈值很难达到理想的分割效果。而自适应阈值#xff0c;则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处#xf…在图像阈值化操作中更关注的是从二值化图像中分离目标区域和背景区域但是仅仅通过设定固定阈值很难达到理想的分割效果。而自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处 1. 每个像素位置处的二值化阈值不是固定不变的而是由其周围邻域像素的分布来决定的。 2. 亮度较高的图像区域的二值化阈值通常会较高而亮度低的图像区域的二值化阈值则会相适应的变小。 3. 不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。 函数原型 1. void adaptiveThreshold(InputArray src, OutputArray dst,
2. double maxValue, int adaptiveMethod,
3. int thresholdType, int bolckSize, double C) 参数说明 参数1InputArray类型的src输入图像填单通道单8位浮点类型Mat即可。参数2函数运算后的结果存放在这。即为输出图像与输入图像同样的尺寸和类型。参数3预设满足条件的最大值。参数4指定自适应阈值算法。可选择ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C两种。具体见下面的解释。参数5指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV两种。即二进制阈值或反二进制阈值。参数6表示邻域块大小用来计算区域阈值一般选择为3、5、7......等。参数7参数C表示与算法有关的参数它是一个从均值或加权均值提取的常数可以是负数。具体见下面的解释。//-------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 对参数4与参数7内容的解释 自适应阈值化计算大概过程是为每一个象素点单独计算的阈值即每个像素点的阈值都是不同的就是将该像素点周围B*B区域内的像素加权平均然后减去一个常数C从而得到该点的阈值。B由参数6指定常数C由参数7指定。 ADAPTIVE_THRESH_MEAN_C为局部邻域块的平均值该算法是先求出块中的均值再减去常熟C。 ADAPTIVE_THRESH_GAUSSIAN_C为局部邻域块的高斯加权和。该算法是在区域中(x, y)周围的像素根据高斯函数按照他们离中心点的距离进行加权计算再减去常数C。 举个例子如果使用平均值方法平均值mean为190差值delta即常数C为30。那么灰度小于160的像素为0大于等于160的像素为255。如下图 如果是反向二值化如下图 delta常数C选择负值也是可以的。 代码演示 /*自适应阈值adaptiveThreshold()函数
*/#include opencv2/core/core.hpp
#include opencv2/highgui/highgui.hpp
#include opencv2/imgproc/imgproc.hpp
#include iostream
using namespace std;
using namespace cv;int main()
{//------------【1】读取源图像并检查图像是否读取成功------------ Mat srcImage imread(D:\\OutPutResult\\ImageTest\\build.jpg);if (!srcImage.data){cout 读取图片错误请重新输入正确路径\n;system(pause);return -1;}imshow(【源图像】, srcImage);//------------【2】灰度转换------------ Mat srcGray;cvtColor(srcImage, srcGray, CV_RGB2GRAY);imshow(【灰度图】, srcGray);//------------【3】初始化相关变量--------------- Mat dstImage; //初始化自适应阈值参数const int maxVal 255;int blockSize 3; //取值3、5、7....等int constValue 10;int adaptiveMethod 0;int thresholdType 1;/*自适应阈值算法0:ADAPTIVE_THRESH_MEAN_C1:ADAPTIVE_THRESH_GAUSSIAN_C--------------------------------------阈值类型0:THRESH_BINARY1:THRESH_BINARY_INV*///---------------【4】图像自适应阈值操作-------------------------adaptiveThreshold(srcGray, dstImage, maxVal, adaptiveMethod, thresholdType, blockSize, constValue);imshow(【自适应阈值】, dstImage);waitKey(0);return 0;
} 显示结果 可以发现自适应阈值能很好的观测到边缘信息。阈值的选取是算法自动完成的很方便。 滤波处理 另外做不做滤波处理等对图像分割影响也比较大。 1. adaptiveThreshold分割 Mat imgimread(D:/ImageTest/sudoku.png,CV_LOAD_IMAGE_COLOR);Mat dst1;Mat dst2;Mat dst3;cv::cvtColor(img,img,COLOR_RGB2GRAY);//进行灰度处理medianBlur(img,img,5);//中值滤波threshold(img,dst1, 127, 255, THRESH_BINARY);//阈值分割adaptiveThreshold(img,dst2,255,ADAPTIVE_THRESH_MEAN_C,THRESH_BINARY,11,2);//自动阈值分割,邻域均值adaptiveThreshold(img,dst3,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY,11,2);//自动阈值分割高斯邻域//ADAPTIVE_THRESH_MEAN_C : threshold value is the mean of neighbourhood area//ADAPTIVE_THRESH_GAUSSIAN_C : threshold value is the weighted sum of neighbourhood values where weights are a gaussian window. imshow(dst1, dst1);imshow(dst2, dst2);imshow(dst3, dst3);imshow(img, img);waitKey(0); 效果对比很明显加入邻域权重后处理更理想 2. 加入滤波处理的最大类间方差分割 Mat imgimread(D:/ImageTest/pic2.png,CV_LOAD_IMAGE_COLOR);Mat dst1;Mat dst2;Mat dst3;cv::cvtColor(img,img,COLOR_RGB2GRAY);//进行灰度处理// medianBlur(img,img,5);threshold(img,dst1, 127, 255, THRESH_BINARY);threshold(img,dst2,0, 255, THRESH_OTSU);//最大类间方差法分割 Otsu algorithm to choose the optimal threshold valueMat img2img.clone();GaussianBlur(img2,img2,Size(5,5),0);//高斯滤波去除小噪点threshold(img2,dst3, 0, 255, THRESH_OTSU);imshow(BINARY dst1, dst1);imshow(OTSU dst2, dst2);imshow(GaussianBlur OTSU dst3, dst3);imshow(original img, img);waitKey(0); 效果如下显然不滤波和滤波差别明显 参考文章https://blog.csdn.net/sinat_36264666/article/details/77586964 https://blog.csdn.net/abcvincent/article/details/78822191转载于:https://www.cnblogs.com/GaloisY/p/11037350.html
