## 自适应阈值处理
自适应阈值处理是一种重要的图像处理技术，用于将灰度图像转换为二值（黑白）图像。与使用单个阈值处理整张图像的简单阈值处理不同，自适应阈值处理会动态计算不同图像区域的阈值。这种自适应性在处理光照不均匀的图像时尤其有利，因为全局阈值可能无法准确地区分前景和背景。
自适应阈值处理的核心原理是在确定阈值时考虑局部图像特征。算法不会使用全局确定的值，而是将图像划分为较小的区域（块或图块）。对于每个区域，都会根据该区域内的像素强度计算阈值。这种局部方法有效地补偿了图像中光照的变化。计算局部阈值的常用方法包括对区域内像素强度进行平均或使用加权平均值（高斯）。
### OpenCV 的自适应阈值函数
OpenCV是一个强大的计算机视觉库，它使用`cv2.adaptiveThreshold()`函数简化了自适应阈值处理。此函数接受几个关键参数：
* `src`：输入灰度图像。
* `maxValue`：分配给超过阈值的像素的最大值（通常为 255，表示白色）。
* `adaptiveMethod`：计算阈值的方法。选项包括：
* `cv2.ADAPTIVE_THRESH_MEAN_C`：使用邻域的均值作为阈值。
* `cv2.ADAPTIVE_THRESH_GAUSSIAN_C`：使用邻域的加权平均值（高斯）作为阈值。
* `thresholdType`：阈值处理的类型。`cv2.THRESH_BINARY`很常见，它将高于阈值的像素设置为`maxValue`，低于阈值的像素设置为 0（黑色）。
* `blockSize`：用于阈值计算的邻域（区域）的大小。必须是奇数。
* `C`：从均值或加权均值中减去的常数，用于微调阈值。
### Python 实践
以下是用 OpenCV 的 Python 示例：
“`python
import cv2
import numpy as np
# 加载灰度图像
img = cv2.imread(‘input.jpg’, cv2.IMREAD_GRAYSCALE)
# 应用自适应阈值处理
thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
# 显示结果
cv2.imshow(‘Original’, img)
cv2.imshow(‘Adaptive Threshold’, thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()
“`
这段代码加载灰度图像，使用高斯方法（`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`）、块大小为 11 和常数为 2 应用自适应阈值处理。然后显示原始图像和阈值图像。对`blockSize`和`C`进行实验对于获得最佳结果至关重要，根据图像特性选择合适的`adaptiveMethod`也很重要。
### 选择合适的参数
自适应阈值处理的有效性取决于参数的选择。较大的`blockSize`会考虑更宽的邻域，从而导致更平滑的过渡，但可能会错过更精细的细节。相反，较小的`blockSize`对局部变化更敏感，但可能会引入噪声。常数`C`有助于调整阈值的灵敏度；较大的`C`会导致更高的阈值。
`cv2.ADAPTIVE_THRESH_MEAN_C`和`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`的选择取决于图像的噪声特性。对于具有大量噪声的图像，通常首选`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`，因为高斯加权会减少异常值的影响。
### 结论
自适应阈值处理为具有不均匀光照的图像的二值化提供了一种稳健的解决方案，与简单的阈值处理相比，它大大提高了精度。OpenCV 高效的`cv2.adaptiveThreshold()`函数使用户能够轻松实现此技术，通过仔细调整参数和选择合适的自适应方法来获得最佳结果。其灵活性和有效性使其成为各种计算机视觉应用中不可或缺的工具。
目录