自适应二值化 - 博客详情

自适应二值化能够根据图像的局部特征自动调整阈值，从而更好地适应图像中的局部变化。这种局部适应性使得自适应二值化在处理具有不同光照条件、对比度和纹理的图像时表现出色。通过自适应地选择阈值，自适应二值化能够增强图像的对比度，使图像中的细节更加清晰可见。这对于后续的图像分析和处理非常重要，因为它可以提高特征提取的准确性和可靠性。

1.自适应二值化

常规的二值化方法(一般就是固定阈值法)就是设置一个固定的阈值，图像中大于阈值的变为255(或0)，小于阈值的变为0(或255)。此方法是最简单的一种二值化方法。使用一个固定的“标准”（也就是阈值）来判断像素是黑还是白，会遇到麻烦。因此其适应性不强，有着局限性。比如，某张照片的左边很亮，右边很暗，用一个标准去分，左边的暗点和右边的亮点可能都会被分错。这就像是用一把尺子去量不同高度的山，尺子太短或太长都不合适。

自适应二值化就像是一个聪明的“裁判”，它不是用一把尺子去量，而是根据每个地方的情况来调整标准。它会看每个像素周围的小区域（比如周围11个像素），根据这个小区域的平均亮度来决定这个像素的“标准”。

2.自适应二值化应用场景和优缺点

自适应二值化平均值算法广泛应用于以下场景： - 文档扫描：在文档扫描中，如果纸张上有阴影或光反射，全局二值化可能无法正确识别文字。自适应二值化方法能够根据文字和背景的局部光照差异，准确提取出文字内容。 - 图像分割：在医学影像分析中，医生可以通过自适应二值化算法对MRI或CT扫描图像进行分割，以便更准确地定位病变区域。 - 目标检测与识别：在无人车导航中，自适应二值化算法可以用于实时提取道路标志牌信息，为无人车提供导向依据。

优点： - 适应复杂背景：能够根据图像局部特征动态调整阈值，适应背景复杂或光照不均匀的情况。 - 局部适应性：每个像素的阈值是根据其邻域的平均值计算的，因此可以更准确地分割前景和背景。

缺点： - 计算量较大：需要为每个像素计算邻域的平均值，因此计算量比全局二值化大。

3.常用的自适应二值化算法

常用的自适应二值化算法有以下两种：

均值法（Mean）：每个像素的阈值是其邻域内所有像素的平均值。
高斯加权法（Gaussian）：与均值法类似，但使用高斯加权平均来计算阈值，邻域中心的像素权重较大。

3.1 均值法

代码实现：

import cv2

# 读取图像
image = cv2.imread('./images/jpg/bird01.jpg', cv2.IMREAD_GRAYSCALE)

# 检查图像是否被成功读取
if image is None:
    raise ValueError("图像未找到，请检查路径！")

# 自适应二值化
adaptive_thresh = cv2.adaptiveThreshold(image, 255,
                                        cv2.ADAPTIVE_THRESH_MEAN_C,
                                        cv2.THRESH_BINARY,
                                        11, 2)

# 显示图像
cv2.imshow('Original Image', image)
cv2.imshow('Adaptive Thresholding', adaptive_thresh)

# 等待按键
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.adaptiveThreshold方法参数详解：

src: 输入图像，必须为灰度图像。
maxValue: 超过或等于阈值的像素值被赋予的值。它可以是任意数值，但通常设置为 255（表示白色）。
adaptiveMethod: 自适应阈值算法的选择。有两种选择： -- cv2.ADAPTIVE_THRESH_MEAN_C：计算邻域的平均值，然后从平均值中减去常数 C。 -- cv2.ADAPTIVE_THRESH_GAUSSIAN_C：计算邻域像素的加权和（使用高斯窗口），然后从加权和中减去常数 C。
thresholdType: 阈值类型，与固定阈值函数 cv2.threshold() 相同。通常是 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。
blockSize: 用于计算阈值的邻域大小（必须是奇数）。
C: 从计算出的平均值或加权和中减去的常数。

3.2 高斯法

常用的高斯模板有如下几种形式：

上图所示是常用的两种高斯模板，左侧是常用的3 * 3的高斯模板，右侧是常用的5*5高斯模板。高斯模板中的参数是通过高斯函数计算出来的,这里不详细展开讲解。

代码实现：

import cv2

# 读取图像
image = cv2.imread('./images/jpg/bird01.jpg', cv2.IMREAD_GRAYSCALE)

# 检查图像是否被成功读取
if image is None:
    raise ValueError("图像未找到，请检查路径！")

# 自适应二值化
adaptive_thresh = cv2.adaptiveThreshold(image, 255,
                                        cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                        cv2.THRESH_BINARY,
                                        11, 2)

# 显示图像
cv2.imshow('Original Image', image)
cv2.imshow('Adaptive Thresholding', adaptive_thresh)

# 等待按键
cv2.waitKey(0)
cv2.destroyAllWindows()

扩展：

以3*3为例子的高斯模板的模板系统推导过程如下：

通常生成一个（2N+1）×（2N+1）大小的高斯模板H，这里是3 *3 所以N=1