自适应二值化介绍:
二值化算法是用输入像素的值I与一个值C来比较,根据比较结果确定输出值。
自适应二值化的每一个像素的比较值C都不同,比较值C由这个像素为中心的一个块范围计算在减去差值delta得到。
C的常用计算方法有两种:
1.平均值减去差值delta(使用盒过滤boxfilter,性能会非常不错)
2.高斯分布加权和减去差值delta (使用高斯滤波GaussionBlur)
只要高兴用什么其他方法都行。
最后,总算法就是用每一个像素的灰度值I,与所对应的比较值C,确定结果输出到对应的像素。
举个例子:如果使用平均值方法,平均值mean为190,差值delta为30。那么灰度小于160的像素为0,大于等于160的像素为255。如下图:
如果是反向二值化,如下图:
delta选择负值也是可以的。
opencv中adaptiveThreshold函数分析:
参数:
_src 要二值化的灰度图
_dst 二值化后的图
maxValue 二值化后要设置的那个值
method 块计算的方法(ADAPTIVE_THRESH_MEAN_C 平均值,ADAPTIVE_THRESH_GAUSSIAN_C 高斯分布加权和)
type 二值化类型(CV_THRESH_BINARY 大于为最大值,CV_THRESH_BINARY_INV 小于为最大值)
blockSize 块大小(奇数,大于1)
delta 差值(负值也可以)
源码和注释如下:
/** @brief 自适应二值化
*@param _src 要二值化的灰度图
*@param _dst 二值化后的图
*@param maxValue 二值化后要设置的那个值
*@param method 块计算的方法(ADAPTIVE_THRESH_MEAN_C 平均值,ADAPTIVE_THRESH_GAUSSIAN_C 高斯分布加权和)
*@param type 二值化类型(CV_THRESH_BINARY 大于为最大值,CV_THRESH_BINARY_INV 小于为最大值)
*@param blockSize 块大小(奇数,大于1)
*@param delta 差值(负值也可以)
*/
void cv::adaptiveThreshold(InputArray _src, OutputArray _dst, double maxValue,
int method, int type, int blockSize, double delta)
{
Mat src = _src.getMat(); // 原图必须是单通道无符号8位
CV_Assert(src.type() == CV_8UC1); // 块大小必须大于1,并且是奇数
CV_Assert(blockSize % == && blockSize > );
Size size = src.size(); // 构建与原图像相同的图像
_dst.create(size, src.type());
Mat dst = _dst.getMat(); if (maxValue < )
{
// 二值化后值小于0,图像都为0
dst = Scalar();
return;
} // 用于比较的值
Mat mean; if (src.data != dst.data)
mean = dst; if (method == ADAPTIVE_THRESH_MEAN_C)
// 计算平均值作为比较值
boxFilter(src, mean, src.type(), Size(blockSize, blockSize),
Point(-, -), true, BORDER_REPLICATE);
else if (method == ADAPTIVE_THRESH_GAUSSIAN_C)
// 计算高斯分布和作为比较值
GaussianBlur(src, mean, Size(blockSize, blockSize), , , BORDER_REPLICATE);
else
CV_Error(CV_StsBadFlag, "Unknown/unsupported adaptive threshold method"); int i, j; // 将maxValue夹到[0,255]的uchar范围区间,用作二值化后的值
uchar imaxval = saturate_cast<uchar>(maxValue); // 根据二值化类型计算delta值
int idelta = type == THRESH_BINARY ? cvCeil(delta) : cvFloor(delta); // 计算生成每个像素差对应的值表格,以后查表就可以。但像素差范围为什么是768,我确实认为512已经够了
uchar tab[]; if (type == CV_THRESH_BINARY)
for (i = ; i < ; i++)
// i = src[j] - mean[j] + 255
// i - 255 > -idelta ? imaxval : 0
// = src[j] - mean[j] + 255 -255 > -idelta ? imaxval : 0
// = src[j] > mean[j] - idelta ? imaxval : 0
tab[i] = (uchar)(i - > -idelta ? imaxval : );
else if (type == CV_THRESH_BINARY_INV)
for (i = ; i < ; i++)
// i = src[j] - mean[j] + 255
// i - 255 <= -idelta ? imaxval : 0
// = src[j] - mean[j] + 255 - 255 <= -idelta ? imaxval : 0
// = src[j] <= mean[j] - idelta ? imaxval : 0
tab[i] = (uchar)(i - <= -idelta ? imaxval : );
else
CV_Error(CV_StsBadFlag, "Unknown/unsupported threshold type"); // 如果连续,加速运算
if (src.isContinuous() && mean.isContinuous() && dst.isContinuous())
{
size.width *= size.height;
size.height = ;
} // 逐像素计算src[j] - mean[j] + 255,并查表得到结果
for (i = ; i < size.height; i++)
{
const uchar* sdata = src.data + src.step*i;
const uchar* mdata = mean.data + mean.step*i;
uchar* ddata = dst.data + dst.step*i; for (j = ; j < size.width; j++)
// 将[-255, 255] 映射到[0, 510]然后查表
ddata[j] = tab[sdata[j] - mdata[j] + ];
}
}
源码很短小精悍,但查找表为什么是768的大小?512应该足够了:(
使用场景:
对灰度车牌图像做处理或阴阳车牌处理,效果比较行。blockSize根据算法确定。
Mat src = imread("d:\\src.jpg", );
Mat bw;
adaptiveThreshold(src, bw, , CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, , );
原图的处理结果
OTUS二值化结果
自适应二值化结果,去掉一些错误区域还算完美。
转载请注明出处,谢谢~