OpenCV 大津法二值化效果不佳？試試自適應閾值處理

問題現象

使用 OpenCV 的大津法（Otsu's method）進行全局二值化時，前景與背景分離不完美，尤其在光照不均、目標較多或亮度變化大的圖像中效果明顯下降。

原因分析

大津法基於全局單一閾值，假設圖像直方圖呈雙峰分佈。當圖像存在陰影、漸變光照或多目標時，單一閾值無法適應局部特徵，導致過度或不足分割。

改進方案：自適應閾值

OpenCV 提供 adaptiveThreshold 函數，根據鄰域像素計算局部閾值，更適合光照不均場景。

函數原型

void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue,
                       int adaptiveMethod, int thresholdType, int blockSize, double C);

關鍵參數

• adaptiveMethod：ADAPTIVE_THRESH_MEAN_C（鄰域均值）或 ADAPTIVE_THRESH_GAUSSIAN_C（高斯加權均值，效果通常更好）。
• blockSize：鄰域大小，必須為奇數（如 11, 15, 21），越大越平滑，越小越保留細節。
• C：從均值或加權均值中減去的常數，可為負值，用於微調閾值。

代碼示例

Mat src = imread("image.jpg", IMREAD_GRAYSCALE);
Mat binary;
adaptiveThreshold(src, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 15, -2);

進階變體：局部自適應二值化

針對目標值不連續、背景極其複雜的情況，可參考改進算法：自適應閾值操作變體，結合形態學操作（開/閉運算）去噪，進一步優化效果。

總結建議

1. 優先嘗試 adaptiveThreshold，調整 `blockSize` 和 `C` 參數。
2. 若仍不滿意，考慮預處理：直方圖均衡化、高斯模糊去噪。
3. 針對特定場景（如文檔掃描、工業檢測）可結合邊緣檢測、形態學輔助分割。