opencv中自适应阈值（adaptiveThreshold()函数）介绍

1. 自适应阈值简介

自适应阈值（adaptiveThreshold()，用于二值化处理图像，对于对比大的图像有较好效果，相对于opencv中固定阈值化操作（threshold()），自适应阈值中图像中每一个像素点的阈值是不同的，该阈值由其领域中图像像素带点加权平均决定。这样做的好处：

• 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。
• 亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。
• 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。

2. 自适应阈值参数说明

import cv2 as cv
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY,11,2)

• 第一个参数（img）：源图像

• th2：输出图像，与源图像大小一致

• 第三个参数（255）：超过阈值的部分取值是多少（对于cv.THRESH_BINARY而言）

• 第四个参数（cv.ADAPTIVE_THRESH_MEAN_C）：
  （1）在一个邻域内计算阈值所采用的算法，有两个取值，分别为 ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C
  （2）ADAPTIVE_THRESH_MEAN_C的计算方法是计算出领域的平均值再减去第七个参数2的值。
  （3）ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出领域的高斯均值再减去第七个参数2的值

• 第五个参数（cv.THRESH_BINARY）：这是阈值类型，只有两个取值，分别为 THRESH_BINARY 和THRESH_BINARY_INV

• 第六个参数（11）：adaptiveThreshold的计算单位是像素的邻域块大小选择，这是局部邻域大小，3、5、7等

• 第七个参数（2）：这个参数实际上是一个偏移值调整量，用均值和高斯计算阈值后，再减或加这个值就是最终阈值。

3. 高斯核的构建

高斯分布，通过概率密度函数来定义高斯分布：
高斯概率分布函数为：

通过改变函数中μ和σ的值，我们可以得到如下图像，其中均值为μ，标准差为σ

二维高斯分布函数如下：

此时我们拓展到二维图像，一般情况下我们使x轴和y轴的σ相等并且μ=0，将上式中ρ取为0，此时我们可以得到二维高斯函数的表达式如下，其中σ的大小决定了高斯函数的宽度。

高斯概率函数是相对于二维坐标产生的，其中（x,y）为点坐标，要得到一个高斯滤波器模板，应先对高斯函数进行离散化，将得到的值作为模板的系数。例如：要产生一个33的高斯滤波器模板，以模板的中心位置为坐标原点进行取样，模板在各个位置的坐标，如下图所示（x轴水平向右，y轴竖直向下）

标准差 σ =1.3 的 33 的整数形式的高斯滤波器如下：

标准差 σ的值可以任意选取，如果σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之，σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显，不管选择什么 σ值，我们构建3*3高斯核的时候要确保这九个点加起来为1，从而得到最终的高斯模板。

4. 测试

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('1.png', 0)
img = cv2.medianBlur(img, 5)
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
          'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]
for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

运行结果如下：