OpenCV中的图像二值化

OpenCV中的图像二值化操作

图像二值化（Binarization）是将图像转换为只有两种颜色（通常是黑和白）的过程。它是图像预处理中的常见操作，尤其是在图像分割、边缘检测和特征提取等任务中，二值化可以帮助简化图像，使得后续的处理变得更为高效。

在 OpenCV 中，图像二值化常用的函数有 cv::threshold() 和 cv::adaptiveThreshold()。这些函数可以将灰度图像转换为二值图像，通过设置不同的阈值（threshold），将像素值大于阈值的部分设为白色，小于阈值的部分设为黑色。

1. 基本的图像二值化：cv::threshold()

cv::threshold() 是 OpenCV 中最常用的二值化函数，用于将图像的像素值与给定的阈值进行比较，进而转换为二值图像。

函数原型：

double cv::threshold(
    cv::InputArray src,            // 输入图像，通常是灰度图像
    cv::OutputArray dst,           // 输出图像，二值化后的图像
    double thresh,                 // 阈值
    double maxValue,               // 最大值，通常设为 255
    int thresholdType              // 阈值类型，决定了二值化的方式
);

参数表：

• src：输入图像，必须是单通道（灰度）图像，通常类型为 CV_8U（无符号8位整数）。
• dst：输出图像，二值化后的图像，类型与输入图像相同。
• thresh：阈值，所有大于该值的像素将设置为 maxValue（通常为 255），否则设置为 0。
• maxValue：大于阈值的像素值将被设置为此值（通常为 255，表示白色）。
• thresholdType：二值化类型，决定了如何将像素值与阈值进行比较，常用的阈值类型有：
  • cv::THRESH_BINARY：如果像素值大于阈值，则设置为 maxValue，否则设置为 0。
  • cv::THRESH_BINARY_INV：如果像素值小于阈值，则设置为 maxValue，否则设置为 0。
  • cv::THRESH_TRUNC：如果像素值大于阈值，则将其截断为阈值。
  • cv::THRESH_TOZERO：如果像素值大于阈值，则保持原值，否则设置为 0。
  • cv::THRESH_TOZERO_INV：如果像素值小于阈值，则保持原值，否则设置为 0。

返回值：

threshold返回一个double，表示实际使用的阈值，通常这个值和 thresh 相同。

简单的二值化示例：

#include 
#include 

int main() {
    // 读取灰度图像
    cv::Mat img = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
    
    if (img.empty()) {
        std::cerr << "Failed to load image!" << std::endl;
        return -1;
    }

    // 创建输出图像
    cv::Mat binaryImg;

    // 使用 cv::threshold 进行二值化
    double thresh = 128;  // 选择阈值 128
    double maxValue = 255;
    cv::threshold(img, binaryImg, thresh, maxValue, cv::THRESH_BINARY);

    // 显示结果
    cv::imshow("Original Image", img);
    cv::imshow("Binary Image", binaryImg);

    cv::waitKey(0);
    return 0;
}

2. 自适应阈值：cv::adaptiveThreshold()

在某些情况下，图像的亮度可能存在不均匀的情况（例如，图像不同部分的光照不同）。在这种情况下，固定阈值可能无法有效地分割图像。自适应阈值（Adaptive Thresholding）是应对这一问题的好方法，它会根据图像局部区域的像素值动态调整阈值。

函数原型：

void cv::adaptiveThreshold(
    cv::InputArray src,               // 输入图像，必须是灰度图像
    cv::OutputArray dst,              // 输出图像，二值化后的图像
    double maxValue,                  // 最大值
    int adaptiveMethod,               // 自适应方法，详见下面的参数表
    int thresholdType,                // 二值化类型，同上
    int blockSize,                    // 邻域大小，定义计算阈值的区域大小，必须是奇数
    double C                          // 常数，调整阈值的值（减去常数来避免阈值过高）
);

参数表：

• src：输入图像，必须是单通道的灰度图像。
• dst：输出图像，二值化后的图像。
• maxValue：大于局部阈值的像素值将设置为此值（通常为 255）。
• adaptiveMethod：自适应方法：
  • cv::ADAPTIVE_THRESH_MEAN_C：计算邻域区域的均值，并作为阈值。
  • cv::ADAPTIVE_THRESH_GAUSSIAN_C：计算邻域区域的**加权均值（使用高斯权重）**作为阈值。
• thresholdType：二值化类型，通常使用 cv::THRESH_BINARY 或 cv::THRESH_BINARY_INV。
• blockSize：邻域区域的大小，必须是奇数（例如 3, 5, 7 等）。
• C：偏移值调整常数，计算出的阈值减去C即为最终结果。这个常数值通常设置为正数，来避免过高的阈值。

示例：

#include 
#include 

int main() {
    // 读取灰度图像
    cv::Mat img = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
    
    if (img.empty()) {
        std::cerr << "Failed to load image!" << std::endl;
        return -1;
    }

    // 创建输出图像
    cv::Mat adaptiveBinaryImg;

    // 使用自适应阈值进行二值化
    double maxValue = 255;
    int adaptiveMethod = cv::ADAPTIVE_THRESH_MEAN_C;
    int thresholdType = cv::THRESH_BINARY;
    int blockSize = 11;  // 邻域大小
    double C = 2;        // 偏移值调整量

    cv::adaptiveThreshold(img, 
                          adaptiveBinaryImg, 
                          maxValue, 
                          adaptiveMethod, 
                          thresholdType, 
                          blockSize, 
                          C);

    // 显示结果
    cv::imshow("Original Image", img);
    cv::imshow("Adaptive Binary Image", adaptiveBinaryImg);

    cv::waitKey(0);
    return 0;
}

在这个例子中：

• cv::adaptiveThreshold() 使用了自适应均值法 cv::ADAPTIVE_THRESH_MEAN_C，并且设置了一个邻域大小为 11 的区域来计算每个像素的阈值。
• C 用于从计算出来的均值中减去一个常数，调整二值化效果。

3.Otsu方法

Otsu方法，也叫最大类间方差法或者大津法（由大津展之（英语:Nobuyuki Otsu）提出），是一种自动计算最优阈值的方法，它可以在全局范围内通过最大化类间方差来选择最佳的分割阈值。

例如：

cv::Mat img = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat binaryImg;
cv::threshold(img, binaryImg, 0, 255, cv::THRESH_BINARY + cv::THRESH_OTSU);