前一篇研究了opencv二值化方法threshold的使用，但是这个方法也存在一定的局限性，假如有一张图存在明显的明暗不同的区域，如下图
可以看到左边部分因为整体偏暗，导致二值化后变成全黑，丢失了所有细节，这显然不是我们想要的结果。
原因threshold函数使用一个阈值对图像进行二值化，导致小于这个阈值的像素点全都变成0。因此使用一个阈值的二值化方法并不适用于上面的这张图。那怎么搞？
很明显，上面这张图只有左右两个区域明显亮度不同，最简单的方法就是把图分成两个区域，每个区域分别进行二值化，也就是说二值化上面这张图需要两个不同的阈值。那如果亮度不同的地方有三个，四个或者更多呢？那就每个区域用一个阈值来进行二值化。按照这个思想，因此有了cv2.adaptiveThreshold函数。
先看一下adaptiveThreshold二值化的使用效果。
明显还是有效果的，至少左边部分不是全黑。
接下来简单说一下adaptiveThreshold方法
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
这个函数大致意思就是把图片每个像素点作为中心取N*N的区域，然后计算这个区域的阈值，来决定这个像素点变0还是变255
src：需要进行二值化的一张灰度图像
maxValue：满足条件的像素点需要设置的灰度值。（将要设置的灰度值）
adaptiveMethod：自适应阈值算法。可选ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C
thresholdType：opencv提供的二值化方法，只能THRESH_BINARY或者THRESH_BINARY_INV
blockSize：要分成的区域大小，上面的N值，一般取奇数
C：常数，每个区域计算出的阈值的基础上在减去这个常数作为这个区域的最终阈值，可以为负数
dst：输出图像，可以忽略
前两个参数与threshold的src和maxval一样相同
第三个参数adaptiveMethod
提供两种不同的计算阈值的方法，按照网上其他大佬的解释
ADAPTIVE_THRESH_MEAN_C，为局部邻域块的平均值，该算法是先求出块中的均值。
ADAPTIVE_THRESH_GAUSSIAN_C，为局部邻域块的高斯加权和。该算法是在区域中(x, y)周围的像素根据高斯函数按照他们离中心点的距离进行加权计算。
第四个参数thresholdType
只能THRESH_BINARY或者THRESH_BINARY_INV
第5个参数blockSize
上述算法计算邻域时的领邻域大小，一般选择为3、5、7......等
第6个参数C
每个邻域计算出阈值后再减去C作为最终阈值
演示一下blockSize和C对二值化结果的影响，以THRESH_BINARY，ADAPTIVE_THRESH_GAUSSIAN_C为例
可以看到，当blockSize越大，参与计算阈值的区域也越大，细节轮廓就变得越少，整体轮廓越粗越明显
当C越大，每个像素点的N*N邻域计算出的阈值就越小，中心点大于这个阈值的可能性也就越大，设置成255的概率就越大，整体图像白色像素就越多，反之亦然。
这种二值化有点类似canny边缘检测，用来找轮廓或者特征点也挺不错。
import cv2
import numpy as np
blocksize = 3
C=0
def adaptive_demo(gray, blocksize, C):
binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blocksize, C)
# binary = cv2.GaussianBlur(binary, (15,15), 0)
cv2.imshow('binary', binary)
def C_changed(value):
global gray
global blocksize
global C
C = value - 30
print('C:', C)
adaptive_demo(gray, blocksize, C)
def blocksize_changed(value):
blocksize = 2 * value + 1
print('blocksize:', blocksize)
if __name__ == "__main__":
image_path = './img/1.jpg'
img = cv2.imread(image_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
adaptive_demo(gray, 3, 0)
cv2.createTrackbar('C', 'binary',0, 60, C_changed)
cv2.createTrackbar('blocksize', 'binary',1, 20, blocksize_changed)
cv2.waitKey(0)到此这篇关于python3 opencv 图像二值化笔记（cv2.adaptiveThreshold）的文章就介绍到这了,更多相关python3 opencv 图像二值化内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
