在开始之前，让我们介绍他们论文中编写的算法的伪代码：

procedure AdaptiveThreshold(in,out,w,h)
1: for i = 0 to w do
2:     sum ← 0
3:     for j = 0 to h do
4:         sum ← sum+in[i, j]
5:         if i = 0 then
6:             intImg[i, j] ← sum
7:         else
8:             intImg[i, j] ← intImg[i−1, j] +sum
9:         end if
10:     end for
11: end for
12: for i = 0 to w do
13:     for j = 0 to h do
14:         x1 ← i−s/2 {border checking is not shown}
15:         x2 ← i+s/2
16:         y1 ← j −s/2
17:         y2 ← j +s/2
18:         count ← (x2−x1)×(y2−y1)
19:         sum ← intImg[x2,y2]−intImg[x2,y1−1]−intImg[x1−1,y2] +intImg[x1−1,y1−1]
20:          if (in[i, j]×count) ≤ (sum×(100−t)/100) then
21:              out[i, j] ← 0
22:          else
23:              out[i, j] ← 255
24:          end if
25:     end for
26: end for

intImg是输入图像到阈值的积分图像，假定为灰度。

我已经成功实现了该算法，所以让我们谈谈您的疑问。

那是count什么 如果是窗口中的像素数，为什么根据算法为2 * 2 = 4，而不是3 * 3 = 9？

他们没有谈论一个基本的假设。的价值s 需求 为奇数，而且窗口应该是：

x1 = i - floor(s/2)
x2 = i + floor(s/2)
y1 = j - floor(s/2)
y2 = j + floor(s/2)

count当然是窗口中像素的总数，但是您还需要确保不要超出范围。当然，您所拥有的应该是3 x 3的窗口s = 3，而不是2。现在，如果（如果s = 3但如果我们要选择）i = 0, j = 0，我们将拥有x和y值为 负数 。我们不能拥有它，因此在此3 x
3窗口中，以居中的有效像素总数i = 0, j = 0为4，依此类推count = 4。对于在图像范围内的窗口，则为count9。

此外，为什么像素的原始值乘以计数？该论文说，将该值与周围像素的平均值进行比较，为什么不这样：

   in[i,j] <= (sum/count) * ((100 - t) / 100)

然后？

您正在查看的条件在算法的第20行：

20: (in[i, j]×count) ≤ (sum×(100−t)/100)

我们进行查看的原因in[i,j]*count是因为我们假设这in[i,j]是窗口内的 平均 强度s x s。因此，如果我们检查一个s x s窗口并加总所有强度，则等于in[i,j] x count。该算法非常巧妙。基本上，我们比较窗口in[i,j] x count内的假定平均强度（）s x s，如果该强度小于该窗口内t%的 实际 平均强度s x s（sum x ((100-t)/100)），则将输出设置为黑色。如果大于，则将输出设置为白色。但是，您雄辩地说，应该改为：

in[i,j] <= (sum/count) * ((100 - t) / 100)

这基本上与第20行相同，但是您将等式的两边都除了count，所以它仍然是相同的表达式。我要说的是，这清楚地表明了我上面所说的内容。乘以count肯定会造成混淆，因此您写的内容更有意义。

因此，您只是以一种不同的方式看到它，那就太好了！因此，要回答您的问题，您所说的肯定是正确的，并且等同于实际算法中看到的表达式。

希望这可以帮助！