在计算机视觉中，对图像进行二值化恐怕是最常见的操作了。为了检测目标，可能需要对每一帧图像的每一个像素点进行运算。如果能提升二值化的速度，那么，你的算法的效率就会大大的提高。本文，将介绍一种超级快速的图像二值化技术。

要解决的问题：

如上图所示，需要把彩色图像中，

(1) R通道介于(smoevalue1, somevalue2)
(2) G通道介于(somevalue3, somevalue4)
(3) B通道介于(somevalue5, somevalue6)
当图像中某个像素点同时满足上面3个条件时，将该像素点置为白色，否则置为黑色

1）常用方法介绍
常用的二值化方法，需要判断每一个通道的值是否在某个范围之内。伪代码如下：

 1 if (redcomponent > somevalue1 && 2     redcomponent < somevalue2 && 3     greencomponent > somevalue3 && 4     greencomponent < somevalue4 && 5     bluecomponent > somevalue5 && 6     bluecomponent < somevalue6) 7 { 8     // 将该像素点置为白色 9 }10 else11 {12     将该像素点置为黑色13 }

问题是每个像素点的判断，需要6次比较操作，太复杂了。

2）新方法
方法（1）中，对每一个通道都需要比较两次。为了提高速度，需要减少比较次数。
为B、G、R三个通道，每个通道创建一个大小为256的数组。该数组中的初始值，
例如R通道的数组，其在somevalue1到somevalue2，数组中的值是1，其他都是0；
G通道的数组，其在somevalue3到somevalue4，数组中的值是1，其他都是0；
B通道的数组，其在somevalue5到somevalue6，数组中的值是1，其他都是0。
如下图所示：

现在，如果要判断某个像素点应该标记为白色还是为黑色，只需要查询数组即可。伪代码如下：

 1 if (table_red[redcomponent] && 2     table_green[greencomponent] && 3     table_blue[bluecomonent]) 4 { 5     // 将该像素点置为白色 6 } 7 else 8 { 9     将该像素点置为黑色10 }

如果redcomponent的值介于(smoevalue1,somevalue2)，那么table_red[redcomponent]=1，如果不在这个范围，那么table_red[redcomponent]=0.其他两个通道的值，也是同理。所以，如果条件（table_red[redcomponent] && table_green[greencomponent] && table_blue[bluecomonent]）成立，就表示满足问题中的那3个条件。

3）对方法2的扩展
在方法2中，数组中只保存1或者0，这只需要一个bit 就ok了，如果上述的数组是int型（假设是32位），那么只是用了一个bit，还有31个bit没有是用，那么，其他的31个bit都可以表示一种颜色，就可以实现同时处理32种颜色了。

（4）效率的对比
图像大小（像素点个数） 方法1(ms) 方法2(ms)
73902     1.278624    0.394651
636000   5.791450    2.213925
1555200 13.664513  5.687084

通过实验，可以发现，方法2的速度快了300%。如果是用SIMD指令，速度会更快。

一种超级快速的图像二值化技术