6.5 數字圖像處理——自適應閾值分割及Python實現

算法步驟

全局二值化容易受陰影影響，所以可以局部二值化。自適應閾值分割的本質就是局部二值化。
具體操作步驟如下：
(1) 對某個像素值，原來為 \(S\)，取其周圍的 \(n\times n\) 的區域，求區域均值或高斯加權值，記為 \(T\)；
(2) 對 \(8\) 位圖像，如果 \(S > T\)，則該像素點二值化為 \(255\), 否則為 \(0\)。
優化：
(1) 在實際操作中，通過卷積操作，即均值模糊或高斯模糊，實現求區域均值或高斯加權值；
(2) 上面步驟中，增加超參數 \(C\)，\(C\) 可以為任何實數，當 \(S > T- C\) 時，把原像素二值化為 \(255\)。
(3) 也可以設置超參數 \(\alpha\in [0,1]\)，當 \(S > (1-\alpha) T\) 時把原像素點二值化為 \(255\)，通常取 \(\alpha=0.15\)。

效果

左圖為原始灰度圖，右圖為自適應閾值化結果。

實現

1. 調用OpenCV函數

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread(img_path, 0) # img_path 為圖像路徑
img_bin = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, 
                            cv.THRESH_BINARY, 21, 6)

plt.imshow(np.hstack([img, img_bin]), cmap='gray')
plt.show()

2. 自己實現

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread(img_path, 0) # img_path 換為圖片路徑

C = 6
winSize = 21

img_blur = cv.blur(img, (winSize, winSize))
img_bin = np.uint8(img > img_blur.astype(np.int) - C) * 255 # 此時的 img_bin 即為最終閾值化結果

3. 自己實現（方法二）

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread(img_path, 0) # img_path 換為圖片路徑

alpha = 0.05
winSize = 21

img_blur = cv.GaussianBlur(img, (winSize, winSize), 5)
img_bin = np.uint8(img > (1 - alpha) * img_blur) * 255 # 此時的 img_bin 即為最終閾值化結果

---

說明：

1. 未經許可，謝絕轉載。
2. 本教程為《數字圖像處理Python OpenCV實戰》的配套代碼相關內容。
   免費視頻教程為0-6章（標題號≤6），可在此處點擊觀看。
   所有課件及源代碼可在此處下載：
   鏈接：https://pan.baidu.com/s/198PySe_vebO3e06idHSQ6g
   提取碼：11o4
   有問題可在QQ群（1079300899）指出，進群答案：數字圖像處理。在本文評論指出可能導致回復很晚。