概念：
该方法网上很多很简洁但是很难懂的公式，本文章将会由简单例子入手，一步步去理解那些公式，但是不做代码实现，毕竟只要搞懂了这个算法的思想，代码的实现其实千变万化，甚至用CV库的话根本不用写代码。
为啥出现这个二值化算法，OTSU的致命缺陷在哪里？
案例：
仔细想，其实我们是能适应从很亮到很暗的书页字体颜色的一个变化，所以能准确抓住哪部分该识别，哪部分不用识别，假如我们让机器也有这个能力，那它也会慢慢学到“暗”的地方的文字也要识别
再细想一下，二值化的最重要一点，就是阈值，那么我们有什么办法，让阈值不是一个全局的固定的值，而是根据图像各个部位不同，稍微做一些调整呢？
这个时候，按照移动平均法的公式不断更新一个全局的浮动阈值：UT
UT = (U1+U2+U3+U4+U5) / 5 方法一：把图像再分割细一点，让刷过去的速度更慢，让阈值有充分的过渡区域可以降低
方法二：把前一个区域的阈值进行百分比取值，也就是只取上一次的百分之几黑度，相当于“我会借鉴/参考前任的经验但是我有我区域的特殊情况，我不会100%按照别人的阈值经验来搞”，这个百分比取值可以通过多次尝试来找到分割效果最好的那一个
有了上面的基础，我们怎么用这一个不断变化的阈值去二值化我们的目标图像呢？
以上就是我关于自适应阈值法的总结，图片都是自己P的，如果有错误的地方恳请大佬纠正，一起交流学习
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/177547.html原文链接：https://javaforall.net
