当前位置：首页 > article >正文

c/c++的opencv像素级操作二值化

article 2025/8/19 0:02:46

图像级操作：使用 C/C++ 进行二值化

在数字图像处理中，图像级操作 (Image-Level Operations) 是指直接在图像的像素级别上进行处理，以改变图像的视觉特性或提取有用信息。这些操作通常不依赖于图像的全局结构，而是关注每个像素及其邻域。一个常见且基础的图像级操作是二值化 (Binarization)。
像素级操作是对图像处理的基础

什么是二值化？ 🤔

二值化是将灰度图像转换为二值图像的过程。在二值图像中，每个像素只有两种可能的颜色值，通常是黑色和白色（或0和255）。这个过程通过选择一个阈值 (Threshold) 来实现。

如果像素的灰度值大于阈值，则将其设置为白色（例如255）。
如果像素的灰度值 小于或等于 阈值，则将其设置为黑色（例如0）。

二值化在许多图像处理应用中非常有用，例如：

对象分割：将感兴趣的对象与背景分离。
文本识别 (OCR)：增强文本字符的对比度，使其更容易被识别。
特征提取：简化图像，以便更容易提取形状、轮廓等特征。
图像压缩：减少图像数据量。

如何选择阈值？ 🎯

阈值的选择对二值化的结果至关重要。常见的阈值选择方法有：

全局阈值 (Global Thresholding)：对整个图像使用单个固定的阈值。这种方法简单快捷，但在光照不均匀的图像中效果可能不佳。
自适应阈值 (Adaptive Thresholding)：根据图像不同区域的局部特性计算不同的阈值。这种方法对于光照变化或背景复杂的图像更为有效。常见的自适应阈值算法有均值法和高斯法。
Otsu 阈值法 (Otsu’s Method)：一种自动确定最佳全局阈值的方法，它试图最大化类间方差（前景和背景之间的方差）。

使用 C/C++ 实现图像二值化 💻

我们将使用 OpenCV (Open Source Computer Vision Library) 这个强大的开源库来演示如何在 C/C++ 中进行图像二值化。OpenCV 提供了丰富的图像处理函数，使得操作更加便捷。

前提条件：

安装了 C++ 编译器 (如 GCC, MSVC)。
安装了 OpenCV 库并配置好了编译环境。

示例代码 (使用全局阈值):

#include <opencv2/opencv.hpp>
#include <iostream>int main(int argc, char** argv) {// 检查输入参数if (argc != 3) {std::cerr << "用法: " << argv[0] << " <输入图像路径> <输出图像路径>" << std::endl;return -1;}// 读取输入图像cv::Mat image = cv::imread(argv[1], cv::IMREAD_GRAYSCALE); // 以灰度模式读取if (image.empty()) {std::cerr << "错误: 无法加载图像 " << argv[1] << std::endl;return -1;}// 定义阈值double threshold_value = 128.0; // 可以根据需要调整double max_binary_value = 255.0;// 创建输出图像cv::Mat binary_image;// 进行二值化操作// cv::THRESH_BINARY: 如果 src(x,y) > thresh, dst(x,y) = maxval; 否则, dst(x,y) = 0.// cv::THRESH_BINARY_INV: 如果 src(x,y) > thresh, dst(x,y) = 0; 否则, dst(x,y) = maxval.cv::threshold(image, binary_image, threshold_value, max_binary_value, cv::THRESH_BINARY);// 保存输出图像if (!cv::imwrite(argv[2], binary_image)) {std::cerr << "错误: 无法保存图像 " << argv[2] << std::endl;return -1;}std::cout << "图像二值化完成！输出图像已保存至: " << argv[2] << std::endl;// (可选) 显示图像// cv::imshow("原始图像", image);// cv::imshow("二值化图像", binary_image);// cv::waitKey(0); // 等待按键return 0;
}

编译和运行 (以 GCC 和 Linux 为例):

假设你的 OpenCV 安装在标准路径下。

编译:
```
g++ -o binarize_image binarize_image.cpp `pkg-config --cflags --libs opencv4`
```
(如果你的 OpenCV 版本不同，将 opencv4 替换为你的版本，例如 opencv)
运行:
```
./binarize_image input.jpg output_binary.jpg
```
确保 input.jpg 存在于当前目录，或者提供完整路径。

代码解释:

#include <opencv2/opencv.hpp>: 包含了 OpenCV 的主要头文件。
cv::imread(argv[1], cv::IMREAD_GRAYSCALE): 读取指定路径的图像。cv::IMREAD_GRAYSCALE 参数确保图像以灰度格式加载，这对于二值化是必需的。
cv::Mat image: cv::Mat 是 OpenCV 中用于存储图像数据的核心类。
double threshold_value = 128.0;: 设置一个固定的全局阈值。通常灰度值范围是 0-255，所以 128 是一个常见的中点。
double max_binary_value = 255.0;: 设置二值化后的最大像素值（通常是白色）。
cv::threshold(image, binary_image, threshold_value, max_binary_value, cv::THRESH_BINARY);: 这是执行二值化的核心函数。
- image: 输入的灰度图像。
- binary_image: 输出的二值图像。
- threshold_value: 设定的阈值。
- max_binary_value: 当像素值大于阈值时设置的值。
- cv::THRESH_BINARY: 二值化的类型。还有其他类型，如 cv::THRESH_BINARY_INV (反向二值化), cv::THRESH_TRUNC, cv::THRESH_TOZERO, cv::THRESH_TOZERO_INV。
cv::imwrite(argv[2], binary_image): 将处理后的二值图像保存到指定路径。
cv::imshow() 和 cv::waitKey(): (可选) 用于在窗口中显示原始图像和处理后的图像。

使用自适应阈值

对于光照不均的图像，自适应阈值通常效果更好。OpenCV 提供了 cv::adaptiveThreshold 函数。

示例代码片段 (自适应阈值):

#include <opencv2/opencv.hpp>
#include <iostream>int main(int argc, char** argv) {// ... (与前面相同的图像加载和参数检查代码) ...cv::Mat image = cv::imread(argv[1], cv::IMREAD_GRAYSCALE);if (image.empty()) { /* ... */ return -1; }cv::Mat adaptive_binary_image;double max_binary_value = 255.0;int block_size = 11; // 计算阈值的邻域大小，必须是奇数double C = 2;        // 从均值或加权均值中减去的常数// cv::ADAPTIVE_THRESH_MEAN_C: 邻域均值减去 C 作为阈值// cv::ADAPTIVE_THRESH_GAUSSIAN_C: 邻域高斯加权和减去 C 作为阈值cv::adaptiveThreshold(image,adaptive_binary_image,max_binary_value,cv::ADAPTIVE_THRESH_MEAN_C, // 或 cv::ADAPTIVE_THRESH_GAUSSIAN_Ccv::THRESH_BINARY,block_size,C);if (!cv::imwrite(argv[2], adaptive_binary_image)) { /* ... */ return -1; }std::cout << "自适应二值化完成！输出图像已保存至: " << argv[2] << std::endl;return 0;
}

自适应阈值参数:

adaptiveMethod: cv::ADAPTIVE_THRESH_MEAN_C 或 cv::ADAPTIVE_THRESH_GAUSSIAN_C。
thresholdType: 通常是 cv::THRESH_BINARY 或 cv::THRESH_BINARY_INV。
blockSize: 用于计算局部阈值的邻域大小。它必须是奇数。
C: 一个常数，从计算出的均值或加权均值中减去。这个值可以帮助微调阈值。

不使用 OpenCV (纯 C/C++ 概念)

如果不依赖像 OpenCV 这样的库，你需要自己处理图像文件的读取（例如 BMP、JPEG、PNG 等格式，这本身就很复杂）和像素数据的操作。

以下是一个高度简化的伪代码概念，假设你已经有了一个二维数组表示的灰度图像像素数据 (unsigned char** pixels, int width, int height)：

// 伪代码 - 假设像素数据已加载到 unsigned char** pixels
// pixels[row][col] 是 (0-255) 的灰度值void binarize_manual(unsigned char** pixels, int width, int height, unsigned char threshold) {for (int i = 0; i < height; ++i) {for (int j = 0; j < width; ++j) {if (pixels[i][j] > threshold) {pixels[i][j] = 255; // 白色} else {pixels[i][j] = 0;   // 黑色}}}
}// 主要挑战在于如何从文件加载像素数据到 'pixels' 数组
// 以及如何将处理后的 'pixels' 数组保存回图像文件。
// 这通常需要解析图像文件头和像素数据，非常繁琐。