opencv:基于阈值的分割方法(固定阈值和自适应阈值)

1、基于阈值的分割

(1)固定阈值分割

将图像分为两个部分:黑和白两个区域

cpp 复制代码
/*@author @还下着雨ZG
* @brief 固定阈值图像分割
* @param[in] imSrc, 待分割的图像
* @param[out] imSegment, 分割后的图像
* @param[in] threVal, 输入的阈值
* @return, 返回正整数表示图像分割成功,负整数表示失败
**/
int ImgSegmentByGlbThreVal(const cv::Mat& imSrc, cv::Mat& imSegment, int threVal)
{
	if(imSrc.empty()) return -1;
	if(threVal<0 || threVal>255) return -2;
	// 图像预处理
	cv::Mat imGray;
	if(imSrc.channels()==1) imGray = imSrc.clone();
	else if(imSrc.channels() == 3)
	{
		cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
	}
	else
	{
		return -3;
	}
	cv::GaussianBlur(imGray, imGray, cv::Size(3,3), 0);
	//全局阈值法
	cv::threshold(imGray, imSegment, threVal);
	return 1;
}

阈值分割函数threshold的介绍:

cpp 复制代码
double cv::threshold(
	cv::Mat &imSrc, //输入图像,应该为单通道
	cv::Mat &imDst, //分割后的图像,大小和类型和imSrc相同
	double thresh, //表示阈值
	double maxval, //最大灰度值,一般设为255
	int type //阈值化类型,详细介绍如下所示
	};

参数type的介绍:type是一个枚举类型的数据

php 复制代码
THRESH_BINARY = 0, // ( x > thresh ) ? 255 : 0
THRESH_BINARY_INV = 1, // ( x > thresh ) ? 0 : 255
THRESH_TRUNC = 2, // ( x > thresh ) ? thresh : x
THRESH_TOZERO = 3, // ( x < thresh ) ? 0 : x
THRESH_TOZERO = 4, // ( x < thresh ) ? x : 0
THRESH_MASK = 7,
THRESH_OTSU = 8, // 自动处理,图像自适应二值化,常用区间【0-255】

(2)自适应阈值分割

根据图像不同区域的亮度分布计算局部阈值,对于图像的不同区域能够自适应计算不同阈值

cpp 复制代码
void cv::adaptiveThreshold(
	cv::Mat &imSrc, //输入的源图像
	cv::Mat &imDst, //输出图像
	double maxval, //预设满足条件的最大值
	int adaptMethod, //指定自适应阈值算法类型(ADAPTIVE_MEAN_C或ADAPTIVE_THRESH_GAUSSIAN_C两种)
	int threshType, //阈值类型(THRESH_BINARY或THRESH_BINARY_INV)
	int blockSize,  //领域块的大小,用于计算区域阈值(3,5,7 ...)
	double C, //与算法有关的参数,是一个从均值或加权均值提取的常数,可为负
	);

使用adaptiveThresh:

cpp 复制代码
/*@author @还下着雨ZG
* @brief 自适应阈值图像分割
* @param[in] imSrc, 待分割的图像
* @param[out] imSegment, 分割后的图像
* @return, 返回正整数表示图像分割成功,负整数表示失败
**/
int ImgSegmentByAdpThre(const cv::Mat& imSrc, cv::Mat& imSegment)
{
    if (imSrc.empty()) return -1;
    cv::Mat imGray;
    if (imSrc.channels() == 1)
    {
        cv::copyTo(imSrc, imGray, cv::Mat());
    }
    else if (imSrc.channels() == 3)
    {
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    }
    else
    {
        return -2;
    }
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    int blockSize = 3;
    int constValue = 0;
    cv::adaptiveThreshold(imGray, imSegment, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, blockSize,
        constValue);
    return 1;
}

在实际使用时,大部分是先通过算子寻找边缘,然后和区域生长融合来分割图像

相关推荐
小关会打代码4 分钟前
自然语言处理之第一课语言转换方法
人工智能·自然语言处理
wenzhangli79 分钟前
OneCode 可视化揭秘系列(三):AI MCP驱动的智能工作流逻辑编排
人工智能
聚客AI26 分钟前
⭐精准率暴跌50%?RAG开发者必避的十大认知误区
人工智能·llm·agent
codeGoogle34 分钟前
大厂研发之谜:千亿投入砸出利润大缩水
前端·人工智能·后端
豆浩宇1 小时前
Conda环境隔离和PyCharm配置,完美同时运行PaddlePaddle和PyTorch
人工智能·pytorch·算法·计算机视觉·pycharm·conda·paddlepaddle
京东云开发者1 小时前
DeepSeek冲击(含本地化部署实践)
人工智能
@国境以南,太阳以西1 小时前
基于Grad-CAM(Gradient-weighted Class Activation Mapping)的可解释性分析
人工智能·深度学习
AI人工智能+2 小时前
表格识别技术:通过计算机视觉和OCR,实现非结构化表格向结构化数据的转换,推动数字化转型。
人工智能·计算机视觉·ocr
小宁爱Python2 小时前
基于 Django+Vue3 的 AI 海报生成平台开发(海报模块专项)
人工智能·python·django
破烂儿2 小时前
基于机器学习的缓存准入策略研究
人工智能·机器学习·缓存