自适应阈值分割-积分图

双窗otsu，通两个不同尺寸的窗口实现阈值分割，然后把两个不同窗口的二值图像合并。

第一列为原图，otsu结果。第二列，3.bmp表示以3x3的窗口的内的Otsu自适应阈值分割效果图，其他图片以此类推。

随着窗口越大越接近原图的otsu结果。

不过局部自适应的阈值的缺点是算法时间花费比较大，而通过积分图可以减少阈值化的时间。

 自适应阈值分割，主要解决全局阈值不适用光照不均图像的阈值分割，并可以在线性时间完成计算积分图像I（x，y），原图为f（x，y）,过程为：

积分图计算完后，只需要要知道一个矩形窗的左上角和右下角的坐标，就可以借用积分图快速实现对矩形窗内的像素的累加，

，完成自适应阈值化：

//积分图像实现自适应阈值分割
void CWK_Image_ProcessingView::On_Integral_Image_Adaptive_Threshold()
{
	CDC* pDC = GetDC();
	int i, j,t=15;
	int x1, x2, y1, y2, s = 31;
	double sum = 0, temp1 = 0, temp2 = 0;
	vector<vector<int> > integral(intHeight, vector<int>(intWidth, 0));//点的结构图矩阵,积分图
	vector<vector<int> > out(intHeight, vector<int>(intWidth, 0));//输出

	for (i = 0; i < intHeight; i++)
	{
		sum = 0;
		for (j = 0; j <intWidth; j++)
		{
			sum += Data[i][j];//Data为原图
			if (i == 0)
				integral[i][j] = sum;
			else
				integral[i][j] = integral[i-1][j] + sum;
		}
	}

	
	for (i = 0; i < intHeight; i++)
	{
		for (j = 0; j <intWidth; j++)
		{
			x1 = i - s / 2;		
			x2 = i + s / 2;	
			y1 = j - s / 2;	
			y2 = j + s / 2;
			if (x1 < 0) x1 = 0;//边界判断
			if (y1 < 0) y1 = 0;//边界判断
			if (x2 >= intHeight) x2 = intHeight - 1;//边界判断
			if (y2 >= intWidth) y2 = intWidth - 1;//边界判断
			int count = (x2 - x1)*(y2-y1);
			if (y2 < 1)	y2 = 1;//边界判断
			if (x1 < 1)	x1 = 1;//边界判断
			if (y1 < 1)	y1 = 1;//边界判断
			sum = integral[x2][y2] - integral[x2][y1-1] - integral[x1-1][y2] + integral[x1-1][y1-1];
			temp1 = Data[i][j] * count;
			temp2 = (sum*(100 - t) / 100);
			if (temp1<=temp2)
			{
				pDC->SetPixel(j + intWidth, i, RGB(0, 0, 0));
				out[i][j] = 0;
			}	
			else
			{
				pDC->SetPixel(j + intWidth, i, RGB(255, 255, 255));
				out[i][j] = 255;
			}
				
		}
	}
	ReleaseDC(pDC);
}

Bradley D，Roth G. Adaptive Thresholding using the Integral Image[J]. Journal of Graphics Gpu & Game Tools, 2007, 12(2):13-21.