本實驗主要基於opencv來測試各種閾值化後效果，主要驗證最優閾值化、大津閾值化和自適應閾值化，並進行帶通閾值化和半閾值化的測試，測試如下：
左圖中第乙個大尖峰為黑色鉛筆和黑色物體的灰度分布，最後乙個大尖峰為圖中白色物體和硬幣的灰度分布，背景有乙個顯著的由暗到明的漸變過程。
首先基於之前博文中實現的最優閾值進行測試，最優閾值為122，效果如下：
原始中四個角落到**的背景漸變效應導致背景不能很好的分隔開。
int thre_value = computeoptimalth(gray_image, 0);
threshold(gray_image, bina_image, thre_value, 255, thresh_binary);
接下來進行大津閾值化(otsu thresholding)的測試，大津閾值化的思想是讓閾值t兩側的畫素分布最小，或者是同一類間的方差最小化，不同類間的方差最大化。
在使用大津閾值作為引數的情況下，opencv中的threshold函式會忽略傳入的閾值。
有時候僅用單一的閾值進行閾值化，往往效果不好，例如前面的最優閾值化和大津閾值化，這時候使用多重閾值進行操作能顯著提高分割效果，這就是自適應閾值化的工作。
自適應閾值化的思想是，首先將分割成多個子影象塊，對每個影象塊計算乙個單獨的閾值，對每個畫素基於最鄰近的四個閾值後的插值進行閾值化。
int blocksize = 9;
adaptivethreshold(gray_image, bina_image, 255,
adaptive_thresh_mean_c, thresh_binary, blocksize,0);
子影象塊的大小會直接影響閾值化後效果，下面是blocksize取9的效果(blocksize必須為奇數)：
blocksize的大小分別取17,25的效果如下左右所示：
接下來在前面得到的最優閾值122左右進行帶通閾值化和半閾值化測試：
帶通閾值化常用於進行影象中物體邊界的大致確定，從字面上就知道要設定兩個不同的高低閾值進行兩次閾值操作，最後進行二值影象的與操作。
threshold(gray_image, bina_image1, thre_value-5, 255, thresh_binary);
threshold(gray_image, bina_image2, thre_value + 5, 255, thresh_binary_inv);
bitwise_and(bina_image1, bina_image2, bina_image);
閾值化後效果如下，閾值頻寬分別為10和20：
半閾值是在閾值t左右進行原始影象的部分保持的一種閾值化操作。
threshold(gray_image, bina_image1, thre_value, 255, thresh_binary);
bitwise_and(gray_image, bina_image1, bina_image2);
以最優閾值進行的半閾值化小姑如下：
（計算機視覺）計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...
計算機視覺
主講老師 曹洋 課程 視覺 基礎 底 層處理 影象處理 特徵提 取 中 層處理 影象分割 相機標 定 深度 估計 運 動估計 高層處 理 3d 重建 目 標識別 視 覺基 礎 底層 處理 圖 像處理 特徵提取 中層 處理 圖 像分割 相機標定 深度估 計 運動 估計 高層處理 3d重 建 目標 識別...
計算機視覺
眾所周知，計算機不認識影象,只認識數字。為了使計算機能夠 理解 影象，從而具有真正意義上的 視覺 本章我們將研究如何從影象中提取有用的資料或資訊，得到影象的 非影象 的表示或描述，如數值 向量和符號等。這一過程就是特徵提取，而提取出來的這些 非影象 的表示或描述就是特徵。有了這些數值或向量形式的特徵...