• 阈值化函数
• 我的理解为，在计算机图像视觉中，我们常见的RGB图像表现的信息过多，可能会存在于一些掺杂的噪声（因为针对视觉目标不是我们需要的），因此使用阈值算法，直接效果就是可以降噪，特征更加的明显化。
• 一般使用灰度图，需要使用单通道的图片才可以进行阈值化，针对RGB或者HSV格式的图片，我们需要进行灰度化操作才可以进行阈值算法的使用。

import cv2 as cv

img = cv.imread("./images/1.jpg")

gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU)

cv.imshow("gray",gray)

cv.imshow("binary",binary)
cv.waitKey(0)

• 阈值化的方式有很多，有针对像素对半分的，也有针对大于阈值进行操作或者小于阈值进行操作的。

• 自适应阈值化

• 自适应均值化

• 自适应高斯均值化
  在计算机视觉中，阈值处理是图像分割的重要技术。OpenCV 提供了多种阈值处理方法，其中包括全局阈值（cv.threshold）和自适应阈值（cv.adaptiveThreshold）。以下是对这两种方法的详细介绍，包括它们的区别、数学原理、输入参数等。

1. 全局阈值（cv.threshold）

定义：全局阈值是将整个图像应用一个固定的阈值进行二值化处理。所有像素值大于该阈值的像素被设置为最大值（通常是255），而小于该阈值的像素被设置为0。

数学原理：
给定一个图像 $I(x,y)$，全局阈值处理可以表示为：
$$T=\text{threshold}(I(x,y),\text{thresh},\text{maxval},\text{type})$$
其中：

• $I(x,y)$ 是输入图像的像素值。
• $\text{thresh}$ 是全局阈值。
• $\text{maxval}$ 是要分配给大于阈值的像素的值（通常为255）。
• $\text{type}$ 是阈值类型（如 cv.THRESH_BINARY 或 cv.THRESH_BINARY_INV）。

输入参数：

• src：输入图像（单通道）。
• thresh：阈值。
• maxval：最大值。
• type：阈值类型。

2. 自适应阈值（cv.adaptiveThreshold）

定义：自适应阈值是根据图像的局部特征动态计算阈值。它在图像的每个小区域内计算阈值，从而更好地处理光照不均匀的情况。

数学原理：
自适应阈值处理可以表示为：
$$T(x,y)=\text{mean}(I(x^{\prime },y^{\prime }))-C$$
其中：

• $T(x,y)$ 是位置 $(x,y)$ 的自适应阈值。
• $\text{mean}(I(x^{\prime },y^{\prime }))$ 是在邻域 $N$ 内的像素值的平均值。
• $C$ 是一个常数，用于调整阈值。

自适应阈值的公式可以表示为：
$$\text{dst}(x,y)=\{\begin{array}{ll}\text{maxval},& \text{if }I(x,y)>T(x,y)\\ 0,& \text{otherwise}\end{array}$$

输入参数：

• src：输入图像（单通道）。
• maxValue：最大值（通常为255）。
• adaptiveMethod：自适应方法（如 cv.ADAPTIVE_THRESH_MEAN_C 或 cv.ADAPTIVE_THRESH_GAUSSIAN_C）。
• thresholdType：阈值类型（如 cv.THRESH_BINARY 或 cv.THRESH_BINARY_INV）。
• blockSize：邻域大小（必须是奇数）。
• C：从计算的阈值中减去的常数。

3. 区别

• 阈值计算：

  • 全局阈值：使用一个固定的阈值处理整个图像。
  • 自适应阈值：根据局部区域的特征动态计算阈值。

• 适用场景：

  • 全局阈值：适用于光照均匀的图像。
  • 自适应阈值：适用于光照不均匀或具有复杂背景的图像。

• 处理效果：

  • 全局阈值：可能会导致某些区域的细节丢失。
  • 自适应阈值：能够保留更多的细节，适应不同的光照条件。

总结

• cv.threshold 是全局阈值处理，适用于光照均匀的图像。
• cv.adaptiveThreshold 是自适应阈值处理，适用于光照不均匀的图像。
• 两者的选择取决于具体的应用场景和图像特征。

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

img = cv.imread("./images/2.jpg",cv.IMREAD_GRAYSCALE)
img = cv.GaussianBlur(img,(5,5),sigmaX=0)

ret,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

#  blockSize为邻域块的大小、C为偏移值
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,blockSize=9,C=2)

th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,blockSize=9,C=2)

titles = ["Original Image",
          "Global Thresholding(V=127)",
          "Adaptive Mean Thresholding",
          "Adaptive Gaussian Thresholding"]

images = [img,th1,th2,th3]

for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(images[i],"gray")
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()