自适应阈值函数cv2.adaptiveThreshold参数中常数C的含义是什么

为什么不直接用邻域均值作为阈值？ #

• 实际图像普遍存在成像噪声，邻域均值会被局部噪声扰动，直接作为阈值会导致大量像素被误分割：比如背景上的随机亮噪声会被误判为前景，前景上的暗噪声会被误判为背景。
• 不同场景的前景、背景对比度差异极大，固定用均值切割没有适配空间：低对比度场景下前景和背景的灰度差本身很小，直接用均值做阈值会丢失绝大多数前景细节。

减去常数C的作用与数学含义 #

自适应阈值的核心逻辑是对单个像素做局部二分类：判断该像素属于局部邻域内的前景还是背景。C本质是这个分类逻辑的偏置调节参数。

• 数学上的定义非常直观：原阈值为邻域的均值/加权均值T_mean，减去C后最终阈值为T = T_mean - C，相当于对分类的判定边界做平移：
  • 常用场景下C取正值：最终阈值低于邻域均值，此时只要像素灰度比均值低的幅度不超过C，仍然会被判定为前景（对应THRESH_BINARY类型下，灰度大于T的像素赋值为maxValue），可以有效过滤背景的小幅亮噪声，也能避免低对比度的前景边缘被误切割。
  • C取负值时：最终阈值高于邻域均值，相当于收紧前景判定标准，适合过滤前景区域的暗噪声，或者需要提取高对比度边缘的场景。
• 工程层面C提供了轻量的调优入口，不需要调整邻域大小、均值计算逻辑，只要修改C就能快速适配不同光照、不同对比度的图像场景。

深入学习参考 #

可以阅读经典数字图像处理教材中「局部阈值分割」相关章节，比如冈萨雷斯《数字图像处理》中关于自适应阈值处理的部分，包含该参数的推导逻辑和不同取值的效果对比实验。 #

内容的提问来源于stack exchange，提问作者Anthony