adaptiveThreshold自适应二值化源码分析

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 % 2 == 1 && blockSize > 1);
    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 < 0)
    {
        // 二值化后值小于0，图像都为0
        dst = Scalar(0);
        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(-1, -1), 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), 0, 0, 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[768];

    if (type == CV_THRESH_BINARY)
        for (i = 0; i < 768; 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 - 255 > -idelta ? imaxval : 0);
    else if (type == CV_THRESH_BINARY_INV)
        for (i = 0; i < 768; 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 - 255 <= -idelta ? imaxval : 0);
    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 = 1;
    }

    // 逐像素计算src[j] - mean[j] + 255，并查表得到结果
    for (i = 0; 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 = 0; j < size.width; j++)
            // 将[-255, 255] 映射到[0, 510]然后查表
            ddata[j] = tab[sdata[j] - mdata[j] + 255];
    }
}

 

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", 0);
    Mat bw;
    adaptiveThreshold(src, bw, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, 17, 0);

 　　　　　 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~