OpenCV3学习笔记（5）：阈值化操作，threshold()和adaptiveThreshold()

水深无声 2022-12-02 13:34 189阅读 0赞

# 0.前言 #

阈值化在图像处理中是一种常用的操作，比如图像的二值化就是一种最常见的一种阈值化操作。OpenCV中提供了直接阈值化操作cv::threshold()和自适应阈值化操作cv::adaptiveThreshold()两种接口，本文主要学习下基本的使用。

主要参照：[https://blog.csdn.net/guduruyu/article/details/68059450][https_blog.csdn.net_guduruyu_article_details_68059450]

一个比较好的博客：[https://blog.csdn.net/Vichael\_Chan/article/details/100584013][https_blog.csdn.net_Vichael_Chan_article_details_100584013]

参照文档：[https://docs.opencv.org/master/d7/d1b/group\_\_imgproc\_\_misc.html][https_docs.opencv.org_master_d7_d1b_group_imgproc_misc.html]

参照博客：[https://www.cnblogs.com/skyfsm/p/6872648.html][https_www.cnblogs.com_skyfsm_p_6872648.html]

# 1.直接阈值化 cv::threshold() #

阈值化操作的基本思想是，给定一个输入数组和一个阈值，数组中的每个元素将根据其与阈值之间的大小发生相应的改变。

double cv::threshold(
    	InputArray src,  //参数1：src输入数组（多通道，8位或32位浮点）
    	OutputArray dst, //参数2：与src同大小和类型、通道数的输出数组
    	double thresh,   //参数3：thresh阈值
    	double maxval,   //参数4：maxval：THRESH_BINARY和THRESH_BINARY_INV阈值类型使用的最大值
    	int type);       //参数5：type阈值类型
    返回值：如果使用Otsu或Triangle方法计算的阈值

主要通过第五个参数（cv::ThresholdTypes枚举）来控制计算方式（详情参见官方文档）：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 1][]

下面测试下第五个参数阈值类型的不同效果：

Mat src_image = imread("F:/Src/001.jpg",cv::IMREAD_GRAYSCALE);
    	Mat image;
    	//原图太大了，缩放下
    	resize(src_image, image, cv::Size(int(src_image.cols*0.3),int(src_image.rows*0.3)));
    	//显示图片
    	imshow("source", image);
    
    
    	//threshold_type = CV_THRESH_BINARY:如果 src(x, y) > threshold, dst(x, y) = max_value; 否则, dst（x, y） = 0;
    	//即大于阈值150的为maxvalue255，否则为0（0是黑色）
    	Mat img_0;
    	threshold(image, img_0, 150, 255, CV_THRESH_BINARY);
    	imshow("img_0 CV_THRESH_BINARY", img_0);
    
    	//threshold_type = CV_THRESH_BINARY_INV:如果 src(x, y) > threshold, dst(x, y) = 0; 否则, dst(x, y) = max_value.
    	//即大于阈值150的为0，否则为maxvalue255（0是黑色）
    	Mat img_1;
    	threshold(image, img_1, 150, 255, CV_THRESH_BINARY_INV);
    	imshow("img_1 CV_THRESH_BINARY_INV", img_1);
    
    	//threshold_type = CV_THRESH_TRUNC:如果 src(x, y) > threshold，dst(x, y) = threshold; 否则dst(x, y) = src(x, y).
    	//即大于阈值150的为threshold150，否则为原值（所以测试图像变暗淡了）
    	Mat img_2;
    	threshold(image, img_2, 150, 255, CV_THRESH_TRUNC);
    	imshow("img_2 CV_THRESH_TRUNC", img_2);
    
    	//threshold_type = CV_THRESH_TOZERO:如果src(x, y) > threshold，dst(x, y) = src(x, y); 否则 dst(x, y) = 0
    	//即大于阈值150的为原值，否则为0
    	Mat img_3;
    	threshold(image, img_3, 150, 255, CV_THRESH_TOZERO);
    	imshow("img_3 CV_THRESH_TOZERO", img_3);
    
    	//threshold_type = CV_THRESH_TOZERO_INV:如果 src(x, y) > threshold，dst(x, y) = 0; 否则dst(x, y) = src(x, y).
    	//即大于阈值150的为0，否则为原值
    	Mat img_4;
    	threshold(image, img_4, 150, 255, CV_THRESH_TOZERO_INV);
    	imshow("img_4 CV_THRESH_TOZERO_INV", img_4);
    
    	//不知道干嘛的
    	Mat img_5;
    	threshold(image, img_5, 150, 255, CV_THRESH_MASK);
    	imshow("img_5 THRESH_MASK", img_5);
    
    	//THRESH_OTSU和THRESH_TRIANGLE和前面的type可以组合使用，
    	//好处是不用自己指定thresh值，系统会进行计算并且作为返回值返回。
    	//OTSU（最大类间方差法）。
    	//该算法的主要思想是，在进行阈值化时，考虑所有可能的阈值，
    	//分别计算低于阈值和高于阈值像素的方差
    	//THRESH_OTSU最适用于双波峰
    	//如果图像黑白分明，就可以用这个
    	Mat img_6;
    	threshold(image, img_6, 150, 255, CV_THRESH_OTSU);
    	imshow("img_6 CV_THRESH_OTSU", img_6);
    
    	//THRESH_TRIANGLE最适用于单个波峰，最开始用于医学分割细胞等。
    	//计算图像灰度直方图
    	//寻找直方图中两侧边界
    	//寻找直方图最大值
    	//检测是否最大波峰在亮的一侧，否则翻转
    	//计算阈值得到阈值T, 如果翻转则255 - T
    	Mat img_7;
    	threshold(image, img_7, 150, 255, CV_THRESH_TRIANGLE);
    	imshow("img_7 CV_THRESH_TRIANGLE", img_7);

运行效果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 2][]

# 2.自适应阈值化 cv::adaptiveThreshold() #

自适应阈值化能够根据图像不同区域亮度分布的，改变阈值。

void cv::adaptiveThreshold(
    	InputArray src,     //参数1：源8位单通道图像
    	OutputArray dst,    //参数2：与src具有相同大小和相同类型的目标图像
    	double maxValue,    //参数3：分配给满足条件的像素的非零值
    	int adaptiveMethod, //参数4：自适应阈值算法，为ADAPTIVE_THRESH_MEAN_C或ADAPTIVE_THRESH_GAUSSIAN_C 
    	int thresholdType,  //参数5：阈值类型，为THRESH_BINARY或THRESH_BINARY_INV
    	int blockSize,      //参数6：用于计算像素阈值的像素邻域的大小：3、5、7，依此类推
    	double C);          //参数7：从平均值或加权平均值中减去常数

该函数根据以下公式将灰度图像转换为二进制图像（对应参数5）：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 3][]

函数支持两种自适应方法（cv::AdaptiveThresholdTypes枚举），即cv::ADAPTIVE\_THRESH\_MEAN\_C（平均）和cv::ADAPTIVE\_THRESH\_GAUSSIAN\_C（高斯）。在两种情况下，自适应阈值T(x, y)。通过计算每个像素周围bxb大小像素块的加权均值并减去常量C得到。其中，b由blockSize给出，大小必须为奇数；如果使用平均的方法，则所有像素周围的权值相同；如果使用高斯的方法，则（x,y）周围的像素的权值则根据其到中心点的距离通过高斯方程得到。（摘自[参考博客][https_blog.csdn.net_guduruyu_article_details_68059450]1）

![20200830235938295.png][]

下面分别测试两种算法的效果：

Mat src_image = imread("F:/Src/001.jpg",cv::IMREAD_GRAYSCALE);
    	Mat image;
    	//原图太大了，缩放下
    	resize(src_image, image, cv::Size(int(src_image.cols*0.3),int(src_image.rows*0.3)));
    	//显示图片
    	imshow("source", image);
    
    	int blockSize = 25;
    	int constValue = 10;
    
    	//CV_ADAPTIVE_THRESH_MEAN_C 平均
    	Mat img_1;
    	adaptiveThreshold(image, img_1, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY_INV, blockSize, constValue);
    	imshow("adaptive CV_ADAPTIVE_THRESH_MEAN_C", img_1);
    
    	//CV_ADAPTIVE_THRESH_GAUSSIAN_C 高斯
    	Mat img_2;
    	adaptiveThreshold(image, img_2, 255, CV_ADAPTIVE_THRESH_GAUSSIAN_C, CV_THRESH_BINARY_INV, blockSize, constValue);
    	imshow("adaptive CV_ADAPTIVE_THRESH_GAUSSIAN_C", img_2);

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 4][]

[https_blog.csdn.net_guduruyu_article_details_68059450]: https://blog.csdn.net/guduruyu/article/details/68059450
[https_blog.csdn.net_Vichael_Chan_article_details_100584013]: https://blog.csdn.net/Vichael_Chan/article/details/100584013
[https_docs.opencv.org_master_d7_d1b_group_imgproc_misc.html]: https://docs.opencv.org/master/d7/d1b/group__imgproc__misc.html
[https_www.cnblogs.com_skyfsm_p_6872648.html]: https://www.cnblogs.com/skyfsm/p/6872648.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70]: /images/20221123/0b937c097923454cb2e4425ba8e51c20.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 1]: /images/20221123/be647937b42946ec934fda40e8b6d12f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 2]: /images/20221123/3b1e67d70c414d7eb7153bbc3c05c082.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 3]: /images/20221123/491d9efec4514b08b3e3853e0a1099fc.png
[20200830235938295.png]: /images/20221123/3435f1d60634405eb33f2afff7e5dd2c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmdqaWFuYm8xOTky_size_16_color_FFFFFF_t_70 4]: /images/20221123/99dfd6534b0641ad8bb78fc418aaf5f9.png