1.概念介绍
对于色彩均衡的图像，直接使用一个阈值就能完成对图像的阈值化处理。但是，对于
色彩不均衡的图像，如果只使用一个阈值，就无法得到清晰有效的阈值分割结果图像
自适应阈值处理技术是使用变化的阈值完成对图像的阈值处理。在进行阈值处理时，自适应阈值处理通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。与普通的阈值处理方法相比，自适应阈值处理能够更好地处理明暗差异较大的图像。2.函数语法
OpenCV 提供了函数
cv2.adaptiveThreshold()来实现自适应阈值处理，该函数的语法格式为：dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C )其中：dst：自适应阈值处理结果。src：要进行处理的原始图像，该图像必须是 8 位单通道的图像。maxValue：最大值。adaptiveMethod：自适应方法。thresholdType：阈值处理方式，该值必须是cv2.THRESH_BINARY或 者cv2.THRESH_BINARY_INV中的一个。blockSize：块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为 3、5、7 等。C：常量。
函数cv2.adaptiveThreshold()根据参数adaptiveMethod来确定自适应阈值的计算方法，函数
包含cv2.ADAPTIVE_THRESH_MEAN_C和cv2.ADAPTIVE_THRESH_GAUSSIAN_C两种不
同的方法。这两种方法都是逐个像素地计算自适应阈值，自适应阈值等于每个像素由参数blockSize所指定邻域的加权平均值减去常量C。两种不同的方法在计算邻域的加权平均值时所采用的方式不同：
cv2.ADAPTIVE_THRESH_MEAN_C：邻域所有像素点的权重值是一致的。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与邻域各个像素点到中心点的距离有关，通过高斯方程得到各个点的权重值。3.程序示例
对一幅图像分别使用二值化阈值函数
cv2.threshold()和自适应阈值函数cv2.adaptiveThreshold()进行处理，观察处理结果的差异。
import cv2
img = cv2.imread("EGO1.jpg", cv2.IMREAD_GRAYSCALE)
retval, dst = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
atmc = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
atgc = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)
cv2.imshow("原始图像", img)
cv2.imshow("二值化阈值处理结果", dst)
cv2.imshow("自适应阈值采用方法 cv2.ADAPTIVE_THRESH_MEAN_C 的处理结果", atmc)
cv2.imshow("自适应阈值采用方法 cv2.ADAPTIVE_THRESH_GAUSSIAN_C 的处理结果", atgc)
cv2.waitKey()
cv2.destroyAllWindows()运行程序结果如图 2-1、2-2、2-3和2-4 所示。
图2-1 原始图像
图2-2 二值化阈值处理结果
图2-3 自适应阈值采用方法
cv2.ADAPTIVE_THRESH_MEAN_C的处理结果
图2-4 自适应阈值采用方法
cv2.ADAPTIVE_THRESH_GAUSSIAN_C的处理结果
通过对比普通的二值化阈值处理与自适应阈值处理可以发现，自适应阈值处理保留了更多的细节信息。
在一些极端情况下，普通的阈值处理会丢失大量的信息，而自适应阈值处理可以得到效果更好的二值图像
