我正在寻找图像二值化的最佳自适应阈值方法。但是我对黑暗和模糊的图像有任何问题。
输入图像：
当我使用自适应阈值方法时，我收到此
输出图像：
这对我不好！
那么，有人可以帮我解决这个问题吗？
另一张图片：
和 ：
@Hammer'solution 的第一个看起来非常糟糕（我必须选择 c 通道），第二个我可以使用自适应阈值正常。
所以我想为所有情况找到最佳解决方案。
再次感谢！
问问题
12261 次
4 回答
8
看起来颜色比强度更好地指示图像中的分割。尝试将其转换为 HSV，然后在 H 通道上运行 OTSU。
在蟒蛇
hsv = cv2.cvtColor(image, cv2.cv.CV_BGR2HSV)
cv2.imshow('hsv', hsv[:,:,0])
(thresh, im_bw) = cv2.threshold(hsv[:,:,0], 128, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
cv2.imshow('OTSU', im_bw)
给出 (hsv)
然后（大津）
有点腐蚀和膨胀，你应该很高兴
于 2013-09-05T05:55:21.407 回答
6
您可能对openCV 使用的这些自适应阈值感兴趣。
我使用了自适应平均阈值。您可能需要稍微调整一下参数，但如果您的图像相似（相同大小等），希望不需要太多调整。
# Smooth image
filtered = cv2.adaptiveThreshold(input_image.astype(np.uint8), 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 41, 3)
# Some morphology to clean up image
kernel = np.ones((5,5), np.uint8)
opening = cv2.morphologyEx(filtered, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel)
结果：
于 2014-07-23T09:03:40.723 回答
3
以下代码...
im=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,111,3)
cv2.imshow('mkm',im)`
...给出了一个很好的结果：
于 2017-03-19T00:36:14.917 回答
1
如果单个阈值不足以分离所有图像，您可以尝试使用两个阈值的分水岭算法。
使用高阈值来获取具有绝对属于数字的片段的图像，使用高逆阈值来获取具有绝对不属于数字的片段的图像。
稍微腐蚀两个图像以增加确定性。
然后使用 2 个图像作为 Watershed 的种子。
于 2013-09-05T13:43:34.233 回答