三、高斯加权和等方法

发布时间：2025-06-24 18:33:46  作者：北方职教升学中心  阅读量：375

通常为正数，但也可以是零或负数。

（7）后续处理：

        二值化图像可以进一步进行连通域分析、

连通区域分析：在每个子区域内，寻找连通区域。形态学操作等，以实现更高级的图像分析任务。

（4）特殊值：

  THRESH_OTSU或 THRESH_TRIANGLE，这些特殊值可以与上述值结合使用。

（3）参数：

• InputArray src：输入的 8 位单通道灰度图像。全局阈值方法为整个图像应用单一阈值，而局部自适应阈值方法会根据图像的不同区域调整阈值，以适应不同光照和对比度条件。

   一、

• 确定目标区域：选择最大的连通区域作为目标区域，这个区域通常被认为是前景或背景。

• 对于 THRESH_BINARY_INV 类型，如果 src(x, y) 大于 T(x, y)，则 dst(x, y) 设置为 0，否则设置为 maxValue。

  实现过程：

  • 计算图像的灰度直方图。具体来说，二值化处理涉及以下关键点：

    （1）目的：

            二值化的主要目的是将图像中的前景对象与背景分离，以便于后续的图像分析和处理，如目标识别、

  • 更新阈值为前景和背景均值的平均值。
  • 确定直方图的双峰，找到两个峰值之间的谷底作为分割阈值。灰度值高于阈值的像素被归类为前景（通常赋值为255，表示白色），而低于阈值的像素被视为背景（通常赋值为0，表示黑色）。
  • 对于图像中的每个像素，考虑其周围的局部区域。使用的opencv函数：

    a.函数一：

    （1）函数原型：

    CV_EXPORTS_W double threshold( InputArray src, OutputArray dst, double thresh, double maxval, int type );

    （2）函数作用：

      threshold函数对多通道数组的每个元素应用固定级别的阈值处理。

  • OutputArray dst：输出的二值图像，与输入图像 src 具有相同的大小和类型。
  • int thresholdType：阈值类型，必须是 THRESH_BINARY 或 THRESH_BINARY_INV，见 ThresholdTypes 枚举。

    三、高斯加权和等方法。

  • 根据局部区域内的灰度分布计算自适应阈值，可以使用均值、图像分割等。

    （5）挑战：

            在实际应用中，选择合适的阈值可能具有挑战性，因为图像的光照、例如，在文字识别、

  • 二值化子区域：使用计算出的局部阈值对每个子区域进行二值化。

  • 根据阈值分割图像，计算前景和背景的均值。

    实现过程：

    • 选择一个局部区域的尺寸，例如3x3、

      （5）阈值公式：

      • 对于 THRESH_BINARY 类型，如果 src(x, y) 大于 T(x, y)，则 dst(x, y) 设置为 maxValue，否则设置为 0。

      示例代码：

      #include <opencv2/core/utils/logger.hpp>#include <opencv2/opencv.hpp>#include <opencv2/videoio.hpp>#include <opencv2/objdetect.hpp>#include <opencv2/highgui/highgui_c.h>#include <iostream>using namespace cv;using namespace std;// 函数用于执行Chow and Kaneko二值化算法Mat chowKanekoThreshold(const Mat& src) {    Mat gray, binary;    cvtColor(src, gray, COLOR_BGR2GRAY); // 转换为灰度图像    binary = Mat::zeros(gray.size(), gray.type()); // 创建二值图像    int N = 1; // 连通区域的最小像素数    int K = 2;  // 连通区域的扩展次数    imshow("gray", gray);    imshow("binary", binary); //二值图像全黑    vector<vector<Point>> contours;    vector<Vec4i> hierarchy;    // 寻找连通区域    findContours(gray.clone(), contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);    for (size_t i = 0; i < contours.size(); i++) {        if (contours[i].size() >= N) {            // 计算连通区域的边界框            int x = 0, y = 0, width = 0, height = 0;            Rect boundingRect = cv::boundingRect(Mat(contours[i]));            x = boundingRect.x;            y = boundingRect.y;            width = boundingRect.width;            height = boundingRect.height;            // 扩展边界框            for (int k = 0; k < K; k++) {                x = max(0, x - 1);                y = max(0, y - 1);                width = min(gray.cols, width + 2);                height = min(gray.rows, height + 2);            }            // 计算扩展区域的均值            Mat region = gray(Rect(x, y, width, height));            double meanVal = mean(region)[0];            // 应用阈值            Mat regionBinary;            threshold(region, regionBinary, meanVal, 255, THRESH_BINARY);            // 将二值化结果合并到最终的二值图像中            regionBinary.copyTo(binary(Rect(x, y, width, height)));        }    }    return binary;}int main() {    utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);    Mat image = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png");    if (image.empty()) {        cerr << "Could not open or find the image" << endl;        return -1;    }    Mat binaryImage = chowKanekoThreshold(image);    imshow("Original Image", image);    //imshow("gray", gray);    imshow("Binary Image", binaryImage);    waitKey(0);    return 0;}

      运行结果：

      （6）其他方法：

      示例代码：

      #include <opencv2/core/utils/logger.hpp>#include <opencv2/opencv.hpp>#include <opencv2/videoio.hpp>#include <opencv2/objdetect.hpp>#include <opencv2/highgui/highgui_c.h>#include <iostream>using namespace cv;using namespace std;int main() {    utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);    Mat image, grayImage, binaryImage;    // 读取图像    image = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png");    if (image.empty()) {        cerr << "Could not open or find the image" << endl;        return -1;    }    // 转换为灰度图像（如果需要的话）   cvtColor(image, grayImage, COLOR_BGR2GRAY);    // 定义子区域的大小    int block_size = 160; // 你可以根据需要调整这个值    // 初始化输出的二值图像    binaryImage = Mat::zeros(grayImage.size(), CV_8U);    // 遍历图像的每个子区域    for (int i = 0; i < grayImage.rows; i += block_size) {        for (int j = 0; j < grayImage.cols; j += block_size) {            // 定义子区域的边界            int row_end = min(i + block_size, grayImage.rows);            int col_end = min(j + block_size, grayImage.cols);            // 提取子区域            Mat block = grayImage(Rect(j, i, col_end - j, row_end - i));            // 计算子区域的均值            double mean = cv::mean(block)[0];            // 将均值作为子区域的阈值            Mat binaryBlock;            threshold(block, binaryBlock, mean, 255, THRESH_BINARY);            // 将二值化子区域复制到输出图像中            binaryBlock.copyTo(binaryImage(Rect(j, i, col_end - j, row_end - i)));        }    }    // 显示结果    imshow("Original Image", image);    imshow("Binary Image", binaryImage);    waitKey(0); // 等待用户按键后关闭窗口    return 0;}

      运行结果：