基于opencv的阈值分割

      本文主要参考opencv例程，该方法是比较常见的分割方式，先将彩色图像转成灰度图像，然后用合适的阈值进行二值话即可得到图像轮廓，可供进一步处理使用。

       图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现

主要代码如下：

int thresholdSeg(IplImage *src)
{
    IplImage *tmp = 0; //定义临时图像指针

    IplImage *src_back = 0; //定义源图像背景指针

    IplImage *dst_gray = 0; //定义源文件去掉背景后的目标灰度图像指针

    IplImage *dst_bw = 0; //定义源文件去掉背景后的目标二值图像指针

    IplImage *dst_contours = 0; //定义轮廓图像指针

    IplConvKernel *element = 0; //定义形态学结构指针

    int Number_Object =0; //定义目标对象数量

    int contour_area_tmp = 0; //定义目标对象面积临时寄存器

    int contour_area_sum = 0; //定义目标所有对象面积的和

    int contour_area_ave = 0; //定义目标对象面积平均值

    int contour_area_max = 0; //定义目标对象面积最大值

 if(NULL == src )
  return -1;
 if(src->nChannels !=1)
 {
  cout<<"It's not gray image!"<   return -1;
 }

    CvMemStorage *stor = 0;
    CvSeq * cont = 0;
    CvContourScanner contour_scanner;
    CvSeq * a_contour= 0;

   
    //2.估计图像背景

    tmp = cvCreateImage( cvGetSize(src), src->depth, src->nChannels);
    src_back = cvCreateImage( cvGetSize(src), src->depth, src->nChannels);
    //创建结构元素

    element = cvCreateStructuringElementEx( 4, 4, 1, 1, CV_SHAPE_ELLIPSE, 0);
    //用该结构对源图象进行数学形态学的开操作后，估计背景亮度

    cvErode( src, tmp, element, 10);//腐蚀
    cvDilate( tmp, src_back, element, 10);//膨胀

    //3.从源图象中减区背景图像

    dst_gray = cvCreateImage( cvGetSize(src), src->depth, src->nChannels);
    cvSub( src, src_back, dst_gray, 0);

    //4.使用阀值操作将图像转换为二值图像

    dst_bw = cvCreateImage( cvGetSize(src), src->depth, src->nChannels);
    cvThreshold( dst_gray, dst_bw ,50, 255, CV_THRESH_BINARY ); //取阀值为50把图像转为二值图像

    //cvAdaptiveThreshold( dst_gray, dst_bw, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, 3, 5 );

    //5.检查图像中的目标对象数量

    stor = cvCreateMemStorage(0);
    cont = cvCreateSeq(CV_SEQ_ELTYPE_POINT, sizeof(CvSeq), sizeof(CvPoint), stor);
    Number_Object = cvFindContours( dst_bw, stor, &cont, sizeof(CvContour),
    CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, cvPoint(0,0) ); //找到所有轮廓

    printf("Number_Object: %d\n", Number_Object);

    //6.计算图像中对象的统计属性

    dst_contours = cvCreateImage( cvGetSize(src), src->depth, src->nChannels);
    cvThreshold( dst_contours, dst_contours ,0, 255, CV_THRESH_BINARY ); //在画轮廓前先把图像变成白色

    for(;cont;cont = cont->h_next)
    {
        cvDrawContours( dst_contours, cont, CV_RGB(255, 0, 0), CV_RGB(255, 0, 0), 0, 1, 8, cvPoint(0, 0) ); //绘制当前轮廓

        contour_area_tmp = fabs(cvContourArea( cont, CV_WHOLE_SEQ )); //获取当前轮廓面积

        if( contour_area_tmp > contour_area_max )
        {
            contour_area_max = contour_area_tmp; //找到面积最大的轮廓

        }
        contour_area_sum += contour_area_tmp; //求所有轮廓的面积和

    }
    contour_area_ave = contour_area_sum/ Number_Object; //求出所有轮廓的平均值

    printf("contour_area_ave: %d\n", contour_area_ave );
    printf("contour_area_max: %d\n", contour_area_max );
 cvCopy(dst_contours,src,0);

    cvReleaseImage(&tmp);
    cvReleaseImage(&src_back);
    cvReleaseImage(&dst_gray);
    cvReleaseImage(&dst_bw);
    cvReleaseImage(&dst_contours);
    cvReleaseMemStorage(&stor);
 system("pause");

 return 0;
}

原图像：

分割后图像：