OpenCV4入门教程031：其他阈值算法

在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。

自适应阈值

当同一幅图像上的不同部分的具有不同亮度时，这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。

函数：

void cv::adaptiveThreshold (InputArray src,
        OutputArray     dst,
        double      maxValue,
        int     adaptiveMethod,
        int     thresholdType,
        int     blockSize,
        double C)

参数说明：

InputArray类型的src，输入图像，填单通道，单8位浮点类型Mat即可。
OutputArray：函数运算后的结果存放在这。即为输出图像（与输入图像同样的尺寸和类型）。
maxValue：预设满足条件的最大值。
adaptiveMethod：指定自适应阈值算法。可选择ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C两种。（具体见下面的解释）。
thresholdType：指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV两种。（即二进制阈值或反二进制阈值）。
blockSize：表示邻域块大小，用来计算区域阈值，一般选择为3、5、7…等。
参数C表示与算法有关的参数，它是一个从均值或加权均值提取的常数，可以是负数。（具体见下面的解释）。

对参数adaptiveMethod与参数C内容的解释：

自适应阈值化计算大概过程是为每一个象素点单独计算的阈值，即每个像素点的阈值都是不同的，就是将该像素点周围 $B * B$ 区域内的像素加权平均，然后减去一个常数C，从而得到该点的阈值。B由参数6指定，常数C由参数7指定。

ADAPTIVE_THRESH_MEAN_C，为局部邻域块的平均值，该算法是先求出块中的均值，再减去常数C。
ADAPTIVE_THRESH_GAUSSIAN_C，为局部邻域块的高斯加权和。该算法是在区域中(x, y)周围的像素根据高斯函数按照他们离中心点的距离进行加权计算，再减去常数C。

举个例子：如果使用平均值方法，平均值mean为190，差值delta（即常数C）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（常数C）选择负值也是可以的。

/*
    自适应阈值：adaptiveThreshold()函数
*/

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
using namespace std;
using namespace cv;

int main()
{
    //------------【1】读取源图像并检查图像是否读取成功------------    
    Mat srcImage = imread("1.jpg");
    if (!srcImage.data)
    {
        cout << "读取图片错误，请重新输入正确路径！\n";
        return -1;
    }
    imshow("Original", srcImage);
    //------------【2】灰度转换------------    
    Mat srcGray;
    cvtColor(srcImage, srcGray, COLOR_BGR2GRAY);
    imshow("Gray", srcGray);
    //------------【3】初始化相关变量---------------  
    Mat dstImage;        //初始化自适应阈值参数
    const int maxVal = 255;
    int blockSize = 3;    //取值3、5、7....等
    int constValue = 10;
    int adaptiveMethod = 0;
    int thresholdType = 1;
    /*
        自适应阈值算法
        0:ADAPTIVE_THRESH_MEAN_C
        1:ADAPTIVE_THRESH_GAUSSIAN_C
        --------------------------------------
        阈值类型
        0:THRESH_BINARY
        1:THRESH_BINARY_INV
    */
    //---------------【4】图像自适应阈值操作-------------------------
    adaptiveThreshold(srcGray, dstImage, maxVal, adaptiveMethod, thresholdType, blockSize, constValue);
    imshow("Adaptive", dstImage);
    waitKey(0);
    return 0;
}

效果如图：

自定义阈值

OTSU二值化

如果是一副双峰图像（简单来说双峰图像是指图像直方图中存在两个峰）呢？我们岂不是应该在两个峰之间的峰谷选一个值作为阈值？这就是OTSU二值化要做的。简单来说就是对一副双峰图像自动根据其直方图计算出一个阈值。（对于非双峰图像，这种方法得到的结果可能会不理想）。

函数还是threshold()，但是需要多传入一个参数（flag）： THRESH_OTSU。这时要把阈值设为 0。然后算法会找到最优阈值，这个最优阈值就是返回值。如果不使用OTSU二值化，返回的值与设定的阈值相等。

算法分类的原理是让背景和目标之间的类间方差最大，因为背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,错分的可能性越小。

测试代码：

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main(){
    Mat srcImage=imread("1.jpg",IMREAD_GRAYSCALE);
    if(srcImage.empty()){
        cout<<"Read image error"<<endl;
        return -1;
    }

    imshow("original",srcImage);

    Mat resultImage;
    threshold(srcImage,resultImage,0,255,THRESH_BINARY+THRESH_OTSU);

    imshow("result",resultImage);

    waitKey();

    return 0;
}

测试结果：

ostu

三角法二值化

三角法求阈值最早见于Zack的论文《Automatic measurement of sister chromatid exchange frequency》主要是用于染色体的研究，该方法是使用直方图数据，基于纯几何方法来寻找最佳阈值，它的成立条件是假设直方图最大波峰在靠近最亮的一侧，然后通过三角形求得最大直线距离，根据最大直线距离对应的直方图灰度等级即为分割阈值，图示如下：

对上图的详细解释：

在直方图上从最高峰处bmx到最暗对应直方图bmin(p=0)%构造一条直线，从bmin处开始计算每个对应的直方图b到直线的垂直距离，知道bmax为止，其中最大距离对应的直方图位置即为图像二值化对应的阈值T。

扩展情况：

有时候最大波峰对应位置不在直方图最亮一侧，而在暗的一侧，这样就需要翻转直方图，翻转之后求得值，用255减去即得到为阈值T。扩展情况的直方图表示如下：

测试代码：

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main(){
    Mat srcImage=imread("1.jpg",IMREAD_GRAYSCALE);
    if(srcImage.empty()){
        cout<<"Read image error"<<endl;
        return -1;
    }

    imshow("original",srcImage);

    Mat resultImage;
    threshold(srcImage,resultImage,0,255,THRESH_BINARY+THRESH_TRIANGLE);

    imshow("result",resultImage);

    waitKey();

    return 0;
}

测试结果：

triangle

双阈值法

双阈值是使用两个阈值进行分别进行二值化操作,然后将操作结果合并起来.

// 功能：代码 3-4 双阈值法的实现
// 作者：朱伟 zhu1988wei@163.com
// 来源：《OpenCV图像处理编程实例》
// 博客：http://blog.csdn.net/zhuwei1988
// 更新：2016-8-1
// 说明：版权所有，引用或摘录请联系作者，并按照上面格式注明出处，谢谢。// 
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
int main( )
{
  // 图像读取及判断
  cv::Mat srcImage = cv::imread("..\\images\\hand1.jpg");
  if( !srcImage.data ) 
      return 1;
  // 灰度转换
  cv::Mat srcGray;
  cv::cvtColor(srcImage, srcGray, cv::COLOR_RGB2GRAY);
  cv::imshow("srcGray", srcGray);
  // 初始化阈值参数
  const int maxVal = 255;
  int low_threshold  = 150;
  int high_threshold = 210;
  cv::Mat dstTempImage1, dstTempImage2, dstImage;
  // 小阈值对源灰度图像进行阈值化操作
  cv::threshold( srcGray, dstTempImage1, 
       low_threshold, maxVal, cv::THRESH_BINARY );
  // 大阈值对源灰度图像进行阈值化操作
  cv::threshold( srcGray, dstTempImage2, 
       high_threshold, maxVal,cv::THRESH_BINARY_INV );
  // 矩阵与运算得到二值化结果
  cv::bitwise_and( dstTempImage1, 
      dstTempImage2, dstImage );
  cv::imshow("dstImage", dstImage);
  cv::waitKey(0);
  return 0;
}

效果为：

dual threshold

半阈值法

半阈值法是先阈值处理，然后将操作结果与原图进行与操作。

// 功能：代码 3-5 半阈值法的实现
// 作者：朱伟 zhu1988wei@163.com
// 来源：《OpenCV图像处理编程实例》
// 博客：http://blog.csdn.net/zhuwei1988
// 更新：2016-8-1
// 说明：版权所有，引用或摘录请联系作者，并按照上面格式注明出处，谢谢。// 
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <iostream> 
using namespace std;
using namespace cv;
int main( )
{
  // 读取源图像及判断
  cv::Mat srcImage = cv::imread("..\\images\\hand1.jpg");
  if( !srcImage.data ) 
      return 1;
  // 转化为灰度图像
  cv::Mat srcGray;
  cv::cvtColor(srcImage, srcGray, cv::COLOR_RGB2GRAY);
  cv::imshow("srcGray", srcGray);
  // 初始化阈值参数
  const int maxVal = 255;
  int thresholdVal  = 150;
  cv::Mat dstTempImage, dstImage;
  // 阈值对源灰度图像进行阈值化操作
  cv::threshold( srcGray, dstTempImage, 
             thresholdVal, 255, cv::THRESH_BINARY );
  // 矩阵与运算得到二值化结果
  cv::bitwise_and( srcGray, dstTempImage, dstImage );
  cv::imshow("dstImage", dstImage);
  cv::waitKey(0);
  return 0;
}