简单高效的自适应阈值二值化 C语言的实现

简单高效的自适应阈值二值化 C语言的实现

关于自适应阈值二值化OpenCV中的源码，只从中移植出了部分内容，剩余内容凭借自己的理解进行的补充。本文中的二值化与OpenCV中所介绍的二值化方法最大的一个不同就是，对于模板的核大小，OpenCV中不管核大小为多大，其运行速度都是几乎一样，但是本文中的致命缺陷就是随着核大小的增大，运行速度也会变慢。我唯一能想到弥补这一缺陷的办法就是，核大小根据整个图片的大小自动适合，这样也基本能保证跟OpenCV源码的效率一致。这样做还有个合理的点就是，用一个很大的核去处理一张很小的图片实际上是没有必要的，核只要适合就好。

当然，如果读者有兴趣，有能力解决本文中的缺陷，楼主绝对支持，也欢迎相互学习与沟通。

其中boxFilter函数为未做归一化的均值滤波函数，_Gray为输入BMP灰度图图片的数据段部分，_Width为图片的宽，_Height为图片的高，_CoreSize为滤波核大小。

而函数adaptiveThreshold之中是调用的boxFilter。

void boxFilter( unsigned char* _Gray, const int _Width, const int _Height, int _CoreSize ){unsigned char* grayBorder = NULL;int* firstWidthBlock = NULL;int widthBorder = _Width + _CoreSize - 1;int heightBorder = _Height + _CoreSize - 1;int halfCore = (_CoreSize-1)>>1;int i = 0, j = 0, l = 0, n = 0;int coreCounts = 0;int stepWidthGray = (_Width + 3) & ~3;int stepWidthBorder = (widthBorder + 3) & ~3;firstWidthBlock = ( int *)malloc( _Width * sizeof(int) );memset(firstWidthBlock, 0, _Width * sizeof(int));grayBorder = ( unsigned char *)malloc( stepWidthBorder*heightBorder );memset( grayBorder, 0, stepWidthBorder*heightBorder );//全图置0for ( i = 0; i < _Height; i ++ )//灰度图嵌入边框图中间for ( j = 0; j < _Width; j ++ ){grayBorder[ ( i + halfCore )*stepWidthBorder + j + halfCore ] = _Gray[ i*stepWidthGray + j ];}for ( i = 0; i < _CoreSize; i ++ )for ( j = 0; j < _CoreSize; j ++ ) firstWidthBlock[0] += grayBorder[ i*stepWidthBorder + j ];for ( i = 1; i < _Width; i++ ){firstWidthBlock[i] += firstWidthBlock[i-1];for ( l = 0; l < _CoreSize; l ++ ){ firstWidthBlock[i] += grayBorder[ l*stepWidthBorder + i+_CoreSize-1 ]                      - grayBorder[ l*stepWidthBorder + i-1 ];}}for ( i = halfCore+1; i < heightBorder-halfCore; i ++ )for ( j = halfCore; j < widthBorder-halfCore; j ++ )//全图均值滤波{coreCounts = 0;for ( n = j-halfCore; n < j+halfCore; n ++ ) firstWidthBlock[j-halfCore] += grayBorder[ (i+halfCore)*stepWidthBorder + n ]- grayBorder[ (i-halfCore)*stepWidthBorder + n ];coreCounts = firstWidthBlock[j-halfCore];_Gray[ (i-halfCore)*stepWidthGray + j-halfCore ] = ( unsigned char)(coreCounts/(_CoreSize*_CoreSize));}}void adaptiveThreshold( const unsigned char* _Gray, unsigned char** _Binary,    const int _Width, const int _Height,    int _Block, int _Idelta, int _MaxValue ){int i = 0, j = 0;unsigned char _Tab[768] = {0};unsigned char* _GrayFilter = NULL;unsigned char* ptrBinary = NULL;int nRowBytes = (_Width + 3) & ~3;*_Binary = ( unsigned char *)malloc( nRowBytes*_Height );memset( *_Binary, 0, nRowBytes*_Height );ptrBinary = *_Binary;_GrayFilter = ( unsigned char *)malloc( nRowBytes*_Height );memcpy( _GrayFilter, _Gray, nRowBytes*_Height );boxFilter( _GrayFilter, _Width, _Height, _Block );for ( i = 0; i < 768; i ++ )//防止数据溢出的三倍tab_Tab[i] = ( unsigned char)( i-255 > -_Idelta ? _MaxValue : 0 );for ( i = 0; i < _Height; i ++ )//自适应阈值二值化核心代码for ( j = 0; j < _Width; j ++ )ptrBinary[ i*nRowBytes + j] = _Tab[ _Gray[ i*nRowBytes + j] - _GrayFilter[ i*nRowBytes + j]+ 255];}

去年年末一直忙写论文也没时间跟新这篇均值滤波的文章，其实去年代码已经写好，因为实习结束代码没有及时备份，于是那份与滤波窗口大小无关的均值滤波函数丢失，最近有时间于是又重新在Qt上用C++写了一份，现在吧代码贴出来：

#include <QCoreApplication>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <iostream>using namespace cv;using namespace std;int main(){       double duration;    Mat src = imread("lena.jpg", 0);    Mat dst(src.rows, src.cols, CV_8UC1, Scalar(0)), dst2;    int coreSize = 31;    int coreSizeHalf = (coreSize-1)/2;    int coreSizeSquare = coreSize * coreSize;    int imgRows = src.rows;    int imgCols = src.cols;duration = static_cast<double>(getTickCount());    float temp = 0;    Mat buffer(1, imgCols+coreSize-1, CV_32SC1, Scalar(0));    float *bufferPtr = buffer.ptr<float>(0);    Mat borderSrc(imgRows+coreSize-1, imgCols+coreSize-1, CV_8UC1, Scalar(128));    for ( int i = 0; i < imgRows; i ++ )//边界填充    {        uchar *imgRowPtr = src.ptr<uchar>(i);        uchar *borderRowPtr = borderSrc.ptr<uchar>(i+coreSizeHalf);        for ( int j = 0; j < imgCols; j ++ )        {            borderRowPtr[j+coreSizeHalf] = imgRowPtr[j];        }    }    for ( int i = 0; i < coreSize; i ++ )//buffer初始化循环还是与coreSize相关                                         //暂时没有解决办法    {        uchar *borderSrcPtr = borderSrc.ptr<uchar>(i);        for ( int j = 0; j < buffer.cols; j ++ )        {            bufferPtr[j] += borderSrcPtr[j];        }    }    uchar *dstPtrFirstRow = dst.ptr<uchar>(0);//第一行的均值滤波    temp = 0;    for ( int n = 0; n < coreSize; n ++ )    {        temp += bufferPtr[n];    }    dstPtrFirstRow[0] = temp/coreSizeSquare;//第一行第一个像素的均值滤波    for ( int i = 1; i < imgCols; i ++ )//第一个像素之后的均值滤波    {        temp += bufferPtr[i+coreSize-1] - bufferPtr[i-1];//使用向量法加速使循环与coreSize无关        dstPtrFirstRow[i] = temp/coreSizeSquare;    }    for ( int i = 1; i < imgRows; i ++ )//第一行之后的均值滤波    {        uchar *dstPtr = dst.ptr<uchar>(i);        for ( int r = 0; r < buffer.cols; r ++ )//buffer数据更新        {            uchar *borderSrcPtrLast = borderSrc.ptr<uchar>(i-1);            uchar *borderSrcPtrFirst = borderSrc.ptr<uchar>(i+coreSize-1);            //使用向量发更新buffer的每个元素            bufferPtr[r] = bufferPtr[r] + borderSrcPtrFirst[r] - borderSrcPtrLast[r];        }        temp = 0;        for ( int n = 0; n < coreSize; n ++ )        {            temp += bufferPtr[n];        }        dstPtr[0] = temp/coreSizeSquare;//第一行之后每行的第一个元素滤波        for ( int j = 1; j < imgCols; j ++ )//第一个元素之后的滤波        {            temp += bufferPtr[j+coreSize-1] - bufferPtr[j-1];//向量法加速使循环与coreSize无关            dstPtr[j] = temp/coreSizeSquare;        }    }duration = static_cast<double>(getTickCount()) - duration;    duration /= getTickFrequency();    cout << duration << endl;    namedWindow("dst", 0);    imshow("dst", dst);    blur(src,dst2,Size(31,31),Point(-1,-1));    namedWindow("dst2", 0);    imshow("dst2", dst2);    waitKey(0);    return 0;}

dst是本文的与窗口大小无关的均值滤波函数结果，dst2是opencv自带的均值滤波结果：

仔细观察还是有一点不同的，本文的均值滤波颜色灰度更加淡，当然还是opencv自带的函数会比较好，在时间上，还是比opencv自带的均值滤波时间要慢一些，大家可以自行验证运行速度，因为计算机配置不同于是不贴出运行时间。对于本文算法运行时间比opencv自带的算法效率低，笔者分析有以下原因：

1、边界扩充函数占整体滤波算法的1/7~1/6的时间，边界扩充函数没有做优化，有兴趣的的朋友可以试试优化，有时间我也会去完成这个工作。

2、buffer 第一次初始化的时候还是与 coreSize 有关，暂时也没有解决方法。

3、关于图像像素引用并没有采用最高效的像素引用方法，时间有限，有时间我也会去完成这个工作。

以下是与窗口无关的均值滤波算法原理，也是笔者毕业论文中的一部分内容：

具体算法实施过程中要注意加速原理，不论是行运算，和列运算都可以加速，再就是涉及 uchar 和 float 的数据转换，一定要整体运算，整体赋值，否则结果会出问题。