读《Adaptive Thresholding Using the Integral Image》自适应图像阈值

图像的二值化问题总是一个问题。虽然使用深度学习的方法取得了不小的进展，但是传统的方法还是值得借鉴。

刚好随机游走到这篇文章 挖个07年的坟  地址：http://people.scs.carleton.ca/~roth/iit-publications-iti/docs/gerh-50002.pdf 

 

　　这是二值化后的效果。

全局阈值法在上面的情况下会失效，所以本文使用了一种自适应的阈值算法。

 

作者使用了积分图 (Integral Image) 作为阈值分割工具，这也算是积分图的应用吧。

 

 

 

公式（1）是坐标(x,y)处的积分值的计算方法， (2)是计算两个对角点像素的和。

图像2给出了积分图的计算事例。 左：图像灰度值 中：计算的对应的积分图   最后一个是解释公式(2)，类似于几何文氏图

作者给出的阈值分割判据是：

计算目标点周围S邻域正方形内的均值

比较该目标点与均值的差距

　　如果目标点灰度值小于均值的 某一百分比（阈值） 目标点为0

　　如果目标点灰度值大于均值的某一百分比（阈值)    目标点为1

作者取的邻域S,和百分比 没有找到，公布代码的网址也挂掉了。

 检测结果：

 

 

乱侃：

这是很早的一篇文章了，和现在Opencv里的adaptivethreshold原理差不多。

该文章里引用的另一个人的方法比较有意思：

对图像进行按行扫描，计算前s个像素的滑动平均值，对于要判定的像素，比较其与这个滑动平均值的大小，然后判定。

总之，这篇文章比较老，作者使用了积分图来加快计算某一像素领域内的均值，这点在当时应该比较新，对于深度学习来说就是做了个sxs的均值卷积，现在根本不是问题。

 

当然，现在这种局部自适应阈值的方法还是大量使用，因为他最能讲的通，简单明了。但是就像图1里的阈值分割结果，四周的假阳性有点多啊。这个的消除才是现在的难点。

 

消除这些假阳性的方法有: 形态学的方法（膨胀，腐蚀) ，几何尺寸先验知识过滤，等 ，传统论文大概都是这个套路。总之，难点还是如何消除分割错误的像素。