OpenCV::adaptiveThreshold 自適應閾值分割的源碼分析

自適應閾值分割算法

• 閾值分割算法或者二值化算法是用輸入像素的值 $I$ 與一個值 $C$ 來比較，根據比較結果確定輸出值。
• 自適應閾值分割的每一個像素的比較值（閾值） $C$ 都不同，閾值 $C$ 由這個像素爲中心的一個塊範圍計算在減去差值 delta 得到。

算法優勢： 自適應閾值分割是在像素點的局部相鄰區域內獨立計算閾值, 再進行二值化分割, 尤其適用於明暗程度不一致的目標。

自適應閾值的計算方法

常用的兩種方法：

1. 平均值減去差值delta（使用盒過濾boxfilter，性能會非常不錯）
2. 高斯分佈加權和減去差值delta (使用高斯濾波GaussionBlur)

舉個例子：如果使用平均值方法，平均值mean爲190，差值delta爲30。那麼灰度小於160的像素爲0，大於等於160的像素爲255。如下圖：

如果是反向二值化，如下圖：

delta選擇負值也是可以的。

源碼和註釋

/** @brief 自適應二值化
*@param _src     要二值化的灰度圖
*@param _dst     二值化後的圖
*@param maxValue    二值化後要設置的那個值
*@param method 塊計算的方法（ADAPTIVE_THRESH_MEAN_C 平均值，ADAPTIVE_THRESH_GAUSSIAN_C 高斯分佈加權和）
*@param type     二值化類型（CV_THRESH_BINARY 大於爲最大值，CV_THRESH_BINARY_INV 小於爲最大值）
*@param blockSize    塊大小（奇數，大於1）
*@param delta 差值（負值也可以）
*/
void cv::adaptiveThreshold(InputArray _src, OutputArray _dst, double maxValue,
    int method, int type, int blockSize, double delta)
{
    Mat src = _src.getMat();
 
    // 原圖必須是單通道無符號8位
    CV_Assert(src.type() == CV_8UC1);
 
    // 塊大小必須大於1，並且是奇數
    CV_Assert(blockSize % 2 == 1 && blockSize > 1);
    Size size = src.size();
 
    // 構建與原圖像相同的圖像
    _dst.create(size, src.type());
    Mat dst = _dst.getMat();
 
    if (maxValue < 0)
    {
        // 二值化後值小於0，圖像都爲0
        dst = Scalar(0);
        return;
    }

	CALL_HAL(adaptiveThreshold, cv_hal_adaptiveThreshold, src.data, src.step, dst.data, dst.step, src.cols, src.rows,
             maxValue, method, type, blockSize, delta);  // 硬件加速算法 cv_hal_adaptiveThreshold 未作實現，直接忽略
 
    // 用於比較的值
    Mat mean;
 
    if (src.data != dst.data)
        mean = dst;
 
    if (method == ADAPTIVE_THRESH_MEAN_C)
        // 計算平均值作爲比較值
        boxFilter(src, mean, src.type(), Size(blockSize, blockSize),
        Point(-1, -1), true, BORDER_REPLICATE);
    else if (method == ADAPTIVE_THRESH_GAUSSIAN_C)
        // 計算高斯分佈和作爲比較值
        GaussianBlur(src, mean, Size(blockSize, blockSize), 0, 0, BORDER_REPLICATE);
    else
        CV_Error(CV_StsBadFlag, "Unknown/unsupported adaptive threshold method");
 
    int i, j;
 
    // 將maxValue夾到[0,255]的uchar範圍區間，用作二值化後的值
    uchar imaxval = saturate_cast<uchar>(maxValue);
 
    // 根據二值化類型計算delta值
    int idelta = type == THRESH_BINARY ? cvCeil(delta) : cvFloor(delta);
 
    // 計算生成每個像素差對應的值表格，以後查表就可以。但像素差範圍爲什麼是768，我確實認爲512已經夠了
    uchar tab[768];
 
    if (type == CV_THRESH_BINARY)
        for (i = 0; i < 768; i++)
            // i = src[j] - mean[j] + 255
            // i - 255 > -idelta ? imaxval : 0
            // = src[j] - mean[j] + 255 -255 > -idelta ? imaxval : 0
            // = src[j] > mean[j] - idelta ? imaxval : 0
            tab[i] = (uchar)(i - 255 > -idelta ? imaxval : 0);
    else if (type == CV_THRESH_BINARY_INV)
        for (i = 0; i < 768; i++)
            // i = src[j] - mean[j] + 255
            // i - 255 <= -idelta ? imaxval : 0
            // = src[j] - mean[j] + 255 - 255 <= -idelta ? imaxval : 0
            // = src[j] <= mean[j] - idelta ? imaxval : 0
            tab[i] = (uchar)(i - 255 <= -idelta ? imaxval : 0);
    else
        CV_Error(CV_StsBadFlag, "Unknown/unsupported threshold type");
 
    // 如果連續，加速運算
    if (src.isContinuous() && mean.isContinuous() && dst.isContinuous())
    {
        size.width *= size.height;
        size.height = 1;
    }
 
    // 逐像素計算src[j] - mean[j] + 255，並查表得到結果
    for (i = 0; i < size.height; i++)
    {
        const uchar* sdata = src.data + src.step*i;
        const uchar* mdata = mean.data + mean.step*i;
        uchar* ddata = dst.data + dst.step*i;
 
        for (j = 0; j < size.width; j++)
            // 將[-255, 255] 映射到[0, 510]然後查表
            ddata[j] = tab[sdata[j] - mdata[j] + 255];
    }
}

算法示例

Mat src = imread("d:\\src.jpg", 0);
cv::adaptiveThreshold(src, bw, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, 17, 0);