OpenCV开发笔记（二十九）：带你学习图像识别之自适应阈值化

若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/104811545
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究

目录

前言

Demo

自适应阈值化

概述

自适应阈值化函数原型

颜色空间转换函数原型

Demo源码

工程模板：对应版本号v1.24.0

---

OpenCV开发专栏

《OpenCV开发笔记（〇）：使用mingw530_32编译openCV3.4.1源码，搭建Qt5.9.3的openCV开发环境》

扫描二维码关注公众号，回复： 9810652 查看本文章

《OpenCV开发笔记（一）：OpenCV介绍、编译》

《OpenCV开发笔记（二）：cvui交互界面》

《OpenCV开发笔记（三）：OpenCV图像的概念和基本操作》

《OpenCV开发笔记（四）：OpenCV图片和视频数据的读取与存储》

《OpenCV开发笔记（五）：OpenCV读取与操作摄像头》

《OpenCV开发笔记（六）：OpenCV基础数据结构、颜色转换函数和颜色空间》

《OpenCV开发笔记（七）：OpenCV基础图形绘制》

《OpenCV开发笔记（八）：OpenCV常用操作之计时、缩放、旋转、镜像》

《OpenCV开发笔记（九）：OpenCV区域图像（ROI）和整体、局部图像混合》

《OpenCV开发笔记（十）：OpenCV图像颜色通道分离和图像颜色多通道混合》

《OpenCV开发笔记（十一）：OpenCV编译支持Gpu(cuda) 加速开发之win-qt-mingw32编译》

《OpenCV开发笔记（十二）：OpenCV编译支持Gpu(cuda) 加速开发之win-qt-msvc2015编译(opencv3.4.0、cuda9.0、VS2015)》

《OpenCV开发笔记（十三）：OpenCV图像对比度、亮度的调整》

《OpenCV开发笔记（十四）：算法基础之线性滤波-方框滤波》

《OpenCV开发笔记（十五）：算法基础之线性滤波-均值滤波》

《OpenCV开发笔记（十六）：算法基础之线性滤波-高斯滤波》

《OpenCV开发笔记（十七）：算法基础之线性滤波对比-方框、均值、高斯滤波》

《OpenCV开发笔记（十八）：算法基础之非线性滤波-中值滤波》

《OpenCV开发笔记（十九）：算法基础之非线性滤波-双边滤波》

《OpenCV开发笔记（二十）：算法基础之非线性滤波对比-中值、双边滤波》

《OpenCV开发笔记（二十一）：算法基础之形态学滤波-膨胀》

《OpenCV开发笔记（二十二）：算法基础之形态学滤波-腐蚀》

《OpenCV开发笔记（二十三）：算法基础之形态学滤波-开运算》

《OpenCV开发笔记（二十四）：算法基础之形态学滤波-闭运算》

《OpenCV开发笔记（二十五）：算法基础之形态学滤波-形态学梯度》

《OpenCV开发笔记（二十六）：算法基础之形态学滤波-顶帽（礼帽）》

《OpenCV开发笔记（二十七）：算法基础之形态学滤波-黑帽》

《OpenCV开发笔记（二十八）：带你学习图像识别之阈值化》

《OpenCV开发笔记（二十九）：带你学习图像识别之自适应阈值》

《OpenCV开发笔记（三十）：带你学习图像识别之经典OTSU算法阈值化》

《OpenCV开发笔记（三十一）：带你学习图像识别之双阈值化》

《OpenCV开发笔记（三十二）：带你学习图像识别之半阈值化》

持续补充中…

 

    OpenCV开发笔记（二十九）：带你学习图像识别之自适应阈值化

前言

      上一篇中讲解了阈值化（固定阈值化），对应的还有自适应阈值化。

 

Demo

 

自适应阈值化

概述

      自适应阈值化是相对于固定阈值化的叫法，之前通过固定阈值化的篇章《OpenCV开发笔记（二十八）：带你学习图像识别之阈值化》可以从Demo上看出可以分割的效果。但是在实际的场景用，目标和背景区域通常是依存的图像块中，于是可以通过图像像素领域块的分布特征 来自适应确定区域的二值化阈值。

自适应阈值化就是根据图像中亮度变化明显的区域（亮或暗），自适应阈值通常会，进而保证图像中各个像素的阈值会随着周围领域块的变化而变化。

也就是说，没有固定阈值了，完全是通过周围色差对比来进行阈值化，这样便于背景与物体本身差距有点大的图片分割，也就能得到更好的分割效果。

自适应阈值化函数原型

void adaptiveThreshold( InputArray src,
                        OutputArray dst,
                        double maxValue,
                        int adaptiveMethod,
                        int thresholdType,
                        int blockSize,
                        double C );

• 参数一：InputArray类型，一般是cv::Mat，只能处理单通道的8位图像。
• 参数二；OutputArray类型，输出的目标图像，需要和原图片有一样的尺寸和类型。
• 参数三：double类型的maxval，分配给满足条件的像素的最大值非零值。
• 参数四：int类型的adaptiveMethod，adaptiveMethod要使用的自适应阈值算法，使用#BORDER_REPLICATE或#BORDER_ISOLATED来处理边界。、

• 参数五：int类型的thresholdType，阈值类型必须是#THRESH_BINARY或#THRESH_BINARY_INV。

• 参数六：int类型的blockSize，块大小像素邻域的大小，用于计算像素：3、5、7等。
• 参数七：double类型的C，C从平均值或加权平均值中减去的常数（见下面的详细信息）。一般来说是正的，但也可以是零或负的。

颜色空间转换函数原型

void cvtColor( InputArray src,
            OutputArray dst,
            int code,
            int dstCn = 0 );

• 参数一：InputArray类型，一般是cv::Mat，8位无符号，16位无符号（CV_16UC…）或单精度浮点，主要与code对颜色空间的转换一一对应。
• 参数二；OutputArray类型，输出的目标图像，主要与code对颜色空间的转换一一对应（通道数），与输入图像的尺寸大小和深度是一样的，当参数四dstCn不等于0时，则依据设置生成。
• 参数三：int类型的code，代码颜色空间转换代码（请参见ColorConversionCodes枚举）。
• 参数四：int类型的dstCn，目标图像中的通道数；如果参数为0，则通道是从src和代码自动派生的。

Demo源码

void OpenCVManager::testAdaptiveThreshold()
{
    QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/4.jpg";
    cv::Mat srcMat = cv::imread(fileName1.toStdString());

    cv::Mat thresh1Mat = cv::imread("E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/thresh1.png");
    cv::Mat thresh2Mat = cv::imread("E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/thresh2.png");
    cv::resize(thresh1Mat, thresh1Mat, cv::Size(160, 80));
    cv::resize(thresh2Mat, thresh2Mat, cv::Size(160, 80));

    int width = 200;
    int height = 160;
    cv::resize(srcMat, srcMat, cv::Size(width, height));

    cv::String windowName = _windowTitle.toStdString();
    cvui::init(windowName);

    if(!srcMat.data)
    {
        qDebug() << __FILE__ << __LINE__
                 << "Failed to load image:" << fileName1;
        return;
    }

    qDebug() << __FILE__ << __LINE__
             << "Succeed to load image, type =" << srcMat.type()
             << "channels = " << srcMat.channels();

    cv::Mat dstMat;
    dstMat = cv::Mat::zeros(srcMat.size(), srcMat.type());
    cv::Mat windowMat = cv::Mat(cv::Size(dstMat.cols * 4, dstMat.rows * 3),
                                srcMat.type());

    int maxValue = 255;
    int blockSize = 1;
    int c = 0;

    while(true)
    {
        windowMat = cv::Scalar(0, 0, 0);
        // 原图先copy到左边
        cv::Mat leftMat = windowMat(cv::Range(0, srcMat.rows),
                                    cv::Range(0, srcMat.cols));
        cv::addWeighted(leftMat, 1.0f, srcMat, 1.0f, 0.0f, leftMat);

        // 调整阈值化的参数maxValue
        cvui::printf(windowMat, width * 2 + 100, 0 + height * 0, "maxValue");
        cvui::trackbar(windowMat, width * 2 + 100, 10 + height * 0, 250, &maxValue, 0, 255);

        // 调整阈值化的参数blockSize
        cvui::printf(windowMat, width * 2 + 100, 45 + height * 0, "blockSize");
        cvui::trackbar(windowMat, width * 2 + 100, 55 + height * 0, 250, &blockSize, 1, 25);

        // 调整阈值化的参数c
        cvui::printf(windowMat, width * 2 + 100, 90 + height * 0, "c");
        cvui::trackbar(windowMat, width * 2 + 100, 100 + height * 0, 250, &c, -100, 100);

        cv::Mat tempMat;
        cvui::printf(windowMat, width * 0 + 0, 0 + height * 1, "ADAPTIVE_THRESH_MEAN_C");
        cvui::printf(windowMat, width * 0 + 0, 15 + height * 1, "THRESH_BINARY");
        cvui::printf(windowMat, width * 0 + 0, 30 + height * 1, "maxValue = %d", maxValue);
        cvui::printf(windowMat, width * 0 + 0, 45 + height * 1, "blockSize = %d", blockSize * 2 + 1);
        cvui::printf(windowMat, width * 0 + 0, 60 + height * 1, "c = %d", c);
        tempMat = windowMat(cv::Range(srcMat.rows * 1 + 70, srcMat.rows * 2 - 10),
                            cv::Range(srcMat.cols * 0 + 20, srcMat.cols * 1 - 20));
        cv::addWeighted(tempMat, 0.0f, thresh1Mat, 1.0f, 0.0f, tempMat);
        cvui::printf(windowMat, width * 1 + 0, 0 + height * 1, "ADAPTIVE_THRESH_MEAN_C");
        cvui::printf(windowMat, width * 1 + 0, 15 + height * 1, "THRESH_BINARY_INV");
        cvui::printf(windowMat, width * 1 + 0, 30 + height * 1, "maxValue = %d", maxValue);
        cvui::printf(windowMat, width * 1 + 0, 45 + height * 1, "blockSize = %d", blockSize * 2 + 1);
        cvui::printf(windowMat, width * 1 + 0, 60 + height * 1, "c = %d", c);
        tempMat = windowMat(cv::Range(srcMat.rows * 1 + 70, srcMat.rows * 2 - 10),
                            cv::Range(srcMat.cols * 1 + 20, srcMat.cols * 2 - 20));
        cv::addWeighted(tempMat, 0.0f, thresh2Mat, 1.0f, 0.0f, tempMat);
        cvui::printf(windowMat, width * 2 + 0, 0 + height * 1, "ADAPTIVE_THRESH_GAUSSIAN_C");
        cvui::printf(windowMat, width * 2 + 0, 15 + height * 1, "THRESH_BINARY");
        cvui::printf(windowMat, width * 2 + 0, 30 + height * 1, "maxValue = %d", maxValue);
        cvui::printf(windowMat, width * 2 + 0, 45 + height * 1, "blockSize = %d", blockSize * 2 + 1);
        cvui::printf(windowMat, width * 2 + 0, 60 + height * 1, "c = %d", c);
        tempMat = windowMat(cv::Range(srcMat.rows * 1 + 70, srcMat.rows * 2 - 10),
                            cv::Range(srcMat.cols * 2 + 20, srcMat.cols * 3 - 20));
        cv::addWeighted(tempMat, 0.0f, thresh1Mat, 1.0f, 0.0f, tempMat);
        cvui::printf(windowMat, width * 3 + 0, 0 + height * 1, "ADAPTIVE_THRESH_GAUSSIAN_C");
        cvui::printf(windowMat, width * 3 + 0, 15 + height * 1, "THRESH_BINARY_INV");
        cvui::printf(windowMat, width * 3 + 0, 30 + height * 1, "maxValue = %d", maxValue);
        cvui::printf(windowMat, width * 3 + 0, 45 + height * 1, "blockSize = %d", blockSize * 2 + 1);
        cvui::printf(windowMat, width * 3 + 0, 60 + height * 1, "c = %d", c);
        tempMat = windowMat(cv::Range(srcMat.rows * 1 + 70, srcMat.rows * 2 - 10),
                            cv::Range(srcMat.cols * 3 + 20, srcMat.cols * 4 - 20));
        cv::addWeighted(tempMat, 0.0f, thresh2Mat, 1.0f, 0.0f, tempMat);
        // 转换成灰度图像
        cv::Mat grayMat;    // 多通道
        cv::Mat grayMat2;   // 单通道
#if 1
        // CV_XXXX 与 cv::COLOR_BGR2GRAY 实际并没有区别 是高低版本表现形式的问题
        cv::cvtColor(srcMat, grayMat2, CV_BGR2GRAY);
        cv::cvtColor(grayMat2, grayMat, CV_GRAY2BGR);
#else
        cv::cvtColor(srcMat, grayMat2, cv::COLOR_BGR2GRAY);
        cv::cvtColor(grayMat2, grayMat, cv::COLOR_GRAY2BGR);
#endif
        // 效果图copy
        cv::Mat rightMat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
                                     cv::Range(srcMat.cols * 1, srcMat.cols * 2));
        cv::addWeighted(rightMat, 0.0f, grayMat, 1.0f, 0.0f, rightMat);
        {
            // 自适应阈值
            cv::adaptiveThreshold(grayMat2, 
                                  dstMat, 
                                  maxValue, 
                                  cv::ADAPTIVE_THRESH_MEAN_C,
                                  cv::THRESH_BINARY, 
                                  blockSize * 2 + 1, 
                                  c);
            cv::cvtColor(dstMat, dstMat, CV_GRAY2BGR);
            // 效果图copy
            cv::Mat center = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                                         cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::addWeighted(center, 0.0f, dstMat, 1.0f, 0.0f, center);

            // 自适应阈值
            cv::adaptiveThreshold(grayMat2, 
                                  dstMat, 
                                  maxValue,
                                  cv::ADAPTIVE_THRESH_MEAN_C, 
                                  cv::THRESH_BINARY_INV, 
                                  blockSize * 2 + 1, 
                                  c);
            cv::cvtColor(dstMat, dstMat, CV_GRAY2BGR);
            // 效果图copy
            cv::Mat center2 = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                                         cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::addWeighted(center2, 0.0f, dstMat, 1.0f, 0.0f, center2);

            // 自适应阈值
            cv::adaptiveThreshold(grayMat2, 
                                  dstMat, 
                                  maxValue, 
                                  cv::ADAPTIVE_THRESH_GAUSSIAN_C, 
                                  cv::THRESH_BINARY, 
                                  blockSize * 2 + 1, 
                                  c);
            cv::cvtColor(dstMat, dstMat, CV_GRAY2BGR);
            // 效果图copy
            cv::Mat center3 = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                                         cv::Range(srcMat.cols * 2, srcMat.cols * 3));
            cv::addWeighted(center3, 0.0f, dstMat, 1.0f, 0.0f, center3);

            // 自适应阈值
            cv::adaptiveThreshold(grayMat2, 
                                  dstMat,
                                  maxValue, 
                                  cv::ADAPTIVE_THRESH_GAUSSIAN_C, 
                                  cv::THRESH_BINARY_INV, 
                                  blockSize * 2 + 1, 
                                  c);
            cv::cvtColor(dstMat, dstMat, CV_GRAY2BGR);
            // 效果图copy
            cv::Mat center4 = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                                         cv::Range(srcMat.cols * 3, srcMat.cols * 4));
            cv::addWeighted(center4, 0.0f, dstMat, 1.0f, 0.0f, center4);
        }

        // 更新
        cvui::update();
        // 显示
        cv::imshow(windowName, windowMat);
        // esc键退出
        if(cv::waitKey(25) == 27)
        {
            break;
        }
    }
}

 

工程模板：对应版本号v1.24.0

      对应版本号v1.24.0

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/104811545