【千律】OpenCV基础：图像阈值分割 — 自适应阈值分割 — 代码实现

环境：Python3.8 和 OpenCV

内容：自适应阈值分割代码实现

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


# 封装图片显示函数
def image_show(image):
    if image.ndim == 2:
        plt.imshow(image, cmap='gray')
    else:
        image = cv.cvtColor(image, cv.COLOR_BGR2RGB)
        plt.imshow(image)
    plt.show()


# 自适应阈值分割：
# 算法思想：局部二值化，全局二值化容易受阴影影响。
# 具体算法步骤如下：
# （1）对某个像素值，原来为S，取其周围的n×n的区域，求取区域均值或高斯加权值，记为T。
# （2）对8位图像，如果S>T，则该像素点二值化为255，否则为0。
# 优化：
# （1）在实际操作中，通过均值模糊或高斯模糊实现区域均值或高斯加权值。
# （2）增加超参数C，当S>T-C时，将像素值设置为255。
# （3）设置范围在0-1的超参数a，当S>(1-a)T时，将像素值设置为255，a通常取0.15。
# 注：邻域大小一般要大于目标大小，但不能太大。


if __name__ == '__main__':

    # 读取灰度图像
    img_desk = cv.imread('desk.png', 0)

    # 超参数设置
    alpha = 0.30      # 超参数，比例参数
    kernel_size = 7   # 邻域大小
    C = 20            # 超参数C，调整阈值

    # 图像均值
    img_blur = cv.blur(img_desk, (kernel_size, kernel_size))

    # 局部区域二值化
    img_bin1 = np.uint8(img_desk > np.float32(img_blur) - C) * 255

    # 显示图像
    image_show(img_bin1)

    # 图像高斯加权值
    img_gaussian = cv.GaussianBlur(img_desk, (kernel_size, kernel_size), sigmaX=7)

    # 局部区域二值化
    img_bin2 = np.uint8(img_desk > (1 - alpha) * img_blur) * 255

    # 显示图像
    image_show(img_bin2)