一种改进的OPenCV局部 自适应快速二值化

由于用opencv自带的函数adaptiveThreshold()在光照不均匀的图像中进行二值化时，效果不佳，之后看了Derek Bradley和Gerhard Roth于2007年写的《Adaptive Thresholding Using the Integral Image》，方法简单实现简便且速度较快，本文基于opencv用程序实现了它。其核心思想可以由下面两张图概括，先得到图像中

各处的像素值（图像为单通道），如图1左。之后得到每个点的左上方所有点的像素值之和（包括该点）并可用一个二维数组暂时存储，如图一右所示，例如，第二行第二列中9=4+0+4+1，第二行第三列中12=4+1+2+4+1。一般地，所谓二值化就是给定一个阈值，当图像中某一点的像素值大于阈值时令它的像素为255(0)，像素值小于阈值时为0（255）。而所谓区域二值化，就是把图片划分为若干的区域，每个区域有各自的阈值，再分别判定。

                                                             图1  

如图2所示，我们要判定区域D时，就可以利用图1右的表，设P（x，y）为点(x,y)的像素值(已转换为图一右的值)，对于区域D有，P(D)=P（x2，y2）-P(x2,y1)-P(x1,y2)+P(x1,y1)，得到区域D的总阈值，再除以区域D的像素点个数得到平均阈值P=P（D）/N,对于区域中心点（i，j）若P（i，j)>P,则重写点（i,j）的像素为255（0），反之为0（255）。

                                                     图2

实现的代码如下：

[cpp] view plain copy

print?

1. void AdaptiveThereshold(Mat src,Mat dst)  
2. {  
3.     cvtColor(src,dst,CV_BGR2GRAY);  
4.     int x1, y1, x2, y2;  
5.     int count=0;  
6.     long long sum=0;  
7.     int S=src.rows>>3;  //划分区域的大小S*S  
8.     int T=15;         /*百分比，用来最后与阈值的比较。原文：If the value of the current pixel is t percent less than this average  
9.                             then it is set to black, otherwise it is set to white.*/  
10.     int W=dst.cols;  
11.     int H=dst.rows;  
12.     long long **Argv;  
13.     Argv=new long long*[dst.rows];  
14.     for(int ii=0;ii<dst.rows;ii++)  
15.     {  
16.         Argv[ii]=new long long[dst.cols];  
17.     }  
18.   
19.     for(int i=0;i<W;i++)  
20.     {  
21.         sum=0;  
22.         for(int j=0;j<H;j++)  
23.         {             
24.             sum+=dst.at<uchar>(j,i);  
25.             if(i==0)      
26.                 Argv[j][i]=sum;  
27.             else  
28.                 Argv[j][i]=Argv[j][i-1]+sum;  
29.         }  
30.     }  
31.       
32.     for(int i=0;i<W;i++)  
33.     {  
34.         for(int j=0;j<H;j++)  
35.         {  
36.             x1=i-S/2;  
37.             x2=i+S/2;  
38.             y1=j-S/2;  
39.             y2=j+S/2;  
40.             if(x1<0)  
41.                 x1=0;  
42.             if(x2>=W)  
43.                 x2=W-1;  
44.             if(y1<0)  
45.                 y1=0;  
46.             if(y2>=H)  
47.                 y2=H-1;  
48.             count=(x2-x1)*(y2-y1);  
49.             sum=Argv[y2][x2]-Argv[y1][x2]-Argv[y2][x1]+Argv[y1][x1];  
50.               
51.   
52.             if((long long)(dst.at<uchar>(j,i)*count)<(long long)sum*(100-T)/100)  
53.                 dst.at<uchar>(j,i)=0;  
54.             else  
55.                 dst.at<uchar>(j,i)=255;  
56.         }  
57.     }  
58.             for (int i = 0 ; i < dst.rows; ++i)  
59.        {  
60.          delete [] Argv[i];   
61.        }  
62.          delete [] Argv;  
63. }  

void AdaptiveThereshold(Mat src,Mat dst){    cvtColor(src,dst,CV_BGR2GRAY);int x1, y1, x2, y2;int count=0;long long sum=0;int S=src.rows>>3;  //划分区域的大小S*Sint T=15;         /*百分比，用来最后与阈值的比较。原文：If the value of the current pixel is t percent less than this average                         then it is set to black, otherwise it is set to white.*/int W=dst.cols;int H=dst.rows;long long **Argv;Argv=new long long*[dst.rows];for(int ii=0;ii<dst.rows;ii++){Argv[ii]=new long long[dst.cols];}for(int i=0;i<W;i++){sum=0;for(int j=0;j<H;j++){sum+=dst.at<uchar>(j,i);if(i==0)Argv[j][i]=sum;elseArgv[j][i]=Argv[j][i-1]+sum;}}for(int i=0;i<W;i++){for(int j=0;j<H;j++){x1=i-S/2;x2=i+S/2;y1=j-S/2;y2=j+S/2;if(x1<0)x1=0;if(x2>=W)x2=W-1;if(y1<0)y1=0;if(y2>=H)y2=H-1;count=(x2-x1)*(y2-y1);sum=Argv[y2][x2]-Argv[y1][x2]-Argv[y2][x1]+Argv[y1][x1];if((long long)(dst.at<uchar>(j,i)*count)<(long long)sum*(100-T)/100)dst.at<uchar>(j,i)=0;elsedst.at<uchar>(j,i)=255;}}        for (int i = 0 ; i < dst.rows; ++i)       {         delete [] Argv[i];        }         delete [] Argv;}

效果如图所示：