adaptiveThreshold自適應二值化源碼分析

自適應二值化介紹：

二值化算法是用輸入像素的值I與一個值C來比較，根據比較結果確定輸出值。

自適應二值化的每一個像素的比較值C都不同，比較值C由這個像素為中心的一個塊范圍計算在減去差值delta得到。

C的常用計算方法有兩種：

　　1.平均值減去差值delta（使用盒過濾boxfilter，性能會非常不錯）

　　2.高斯分布加權和減去差值delta (使用高斯濾波GaussionBlur)

　　只要高興用什么其他方法都行。

最后，總算法就是用每一個像素的灰度值I，與所對應的比較值C，確定結果輸出到對應的像素。

 

舉個例子：如果使用平均值方法，平均值mean為190，差值delta為30。那么灰度小於160的像素為0，大於等於160的像素為255。如下圖：

如果是反向二值化，如下圖：

delta選擇負值也是可以的。

 

opencv中adaptiveThreshold函數分析：

參數：

　　_src  　　　　要二值化的灰度圖
　　_dst  　　　　二值化后的圖
　　maxValue　　二值化后要設置的那個值
　　method　　　塊計算的方法（ADAPTIVE_THRESH_MEAN_C 平均值，ADAPTIVE_THRESH_GAUSSIAN_C 高斯分布加權和）
　　type　　　　  二值化類型（CV_THRESH_BINARY 大於為最大值，CV_THRESH_BINARY_INV 小於為最大值）
　　blockSize　　塊大小（奇數，大於1）
　　delta 　　　　差值（負值也可以）

源碼和注釋如下：

/** @brief 自適應二值化
*@param _src     要二值化的灰度圖
*@param _dst     二值化后的圖
*@param maxValue    二值化后要設置的那個值
*@param method 塊計算的方法（ADAPTIVE_THRESH_MEAN_C 平均值，ADAPTIVE_THRESH_GAUSSIAN_C 高斯分布加權和）
*@param type     二值化類型（CV_THRESH_BINARY 大於為最大值，CV_THRESH_BINARY_INV 小於為最大值）
*@param blockSize    塊大小（奇數，大於1）
*@param delta 差值（負值也可以）
*/
void cv::adaptiveThreshold(InputArray _src, OutputArray _dst, double maxValue,
    int method, int type, int blockSize, double delta)
{
    Mat src = _src.getMat();

    // 原圖必須是單通道無符號8位
    CV_Assert(src.type() == CV_8UC1);

    // 塊大小必須大於1，並且是奇數
    CV_Assert(blockSize % 2 == 1 && blockSize > 1);
    Size size = src.size();

    // 構建與原圖像相同的圖像
    _dst.create(size, src.type());
    Mat dst = _dst.getMat();

    if (maxValue < 0)
    {
        // 二值化后值小於0，圖像都為0
        dst = Scalar(0);
        return;
    }

    // 用於比較的值
    Mat mean;

    if (src.data != dst.data)
        mean = dst;

    if (method == ADAPTIVE_THRESH_MEAN_C)
        // 計算平均值作為比較值
        boxFilter(src, mean, src.type(), Size(blockSize, blockSize),
        Point(-1, -1), true, BORDER_REPLICATE);
    else if (method == ADAPTIVE_THRESH_GAUSSIAN_C)
        // 計算高斯分布和作為比較值
        GaussianBlur(src, mean, Size(blockSize, blockSize), 0, 0, BORDER_REPLICATE);
    else
        CV_Error(CV_StsBadFlag, "Unknown/unsupported adaptive threshold method");

    int i, j;

    // 將maxValue夾到[0,255]的uchar范圍區間，用作二值化后的值
    uchar imaxval = saturate_cast<uchar>(maxValue);

    // 根據二值化類型計算delta值
    int idelta = type == THRESH_BINARY ? cvCeil(delta) : cvFloor(delta);

    // 計算生成每個像素差對應的值表格，以后查表就可以。但像素差范圍為什么是768，我確實認為512已經夠了
    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");

    // 如果連續，加速運算
    if (src.isContinuous() && mean.isContinuous() && dst.isContinuous())
    {
        size.width *= size.height;
        size.height = 1;
    }

    // 逐像素計算src[j] - mean[j] + 255，並查表得到結果
    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++)
            // 將[-255, 255] 映射到[0, 510]然后查表
            ddata[j] = tab[sdata[j] - mdata[j] + 255];
    }
}

 

源碼很短小精悍，但查找表為什么是768的大小？512應該足夠了：（

使用場景：

對灰度車牌圖像做處理或陰陽車牌處理，效果比較行。blockSize根據算法確定。

    Mat src = imread("d:\\src.jpg", 0);
    Mat bw;
    adaptiveThreshold(src, bw, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, 17, 0);

 　　　　　 原圖的處理結果

OTUS二值化結果

自適應二值化結果，去掉一些錯誤區域還算完美。

 

轉載請注明出處，謝謝~