阈值处理 _处理

五陵年少金市东，银鞍白马渡春风。这篇文章主要讲述阈值处理相关的知识，希望能为你提供帮助。
阈值处理
阈值处理即图像二值化。是图像分割的一种最简单的方法。二值化可以把灰度图像转换成二值图像。把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。
简单阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

参数意义如下:

src：输入图，只能输入单通道图像，通常来说为灰度图
thresh：阈值
maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
cv2.THRESH_BINARY ：正向二值化,如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为maxval；否则，将该点的像素值设置为0；
具体的公式如下：
cv2.THRESH_BINARY_INV ：反向二值化，如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为0；否则，将该点的像素值设置为maxval；
具体的公式如下：
cv2.THRESH_TRUNC ：如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为threshold；否则，将该点的像素值不变；
具体的公式如下：
cv2.THRESH_TOZERO ：如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值不变；否则，将该点的像素值设置为0；
具体的公式如下：
cv2.THRESH_TOZERO_INV：如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为0；否则，将该点的像素值不变；

例子

def cv_show(name,image): """图像显示函数 name：字符串，窗口名称 img：numpy.ndarray，图像 """ cv2.namedWindow(name,cv2.WINDOW_NORMAL) cv2.imshow(name,image) cv2.waitKey(0) cv2.destroyAllWindows()def img_show(name,image): """matplotlib图像显示函数 name：字符串，图像标题 img：numpy.ndarray，图像 """ if len(image.shape) == 3: image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB) plt.imshow(image,\'gray\') plt.xticks([]) plt.yticks([]) plt.xlabel(name,fontproperties=\'FangSong\',fontsize=12) if __name__=="__main__":image = cv2.imread(\'data/Pavlovsk_Railing_of_bridge_Yellow_palace_Winter.jpg\') gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY) blurred = cv2.GaussianBlur(gray,(5,5),0) #(\'original image\',image)(T,thresh_inv) = cv2.threshold(blurred,127,255,cv2.THRESH_BINARY_INV) #cv_show(\'original image\',thresh_inv) image_mask = cv2.bitwise_and(gray,gray,mask = thresh_inv) #color = cv2.cvtColor(image_mask,cv2.COLOR_GRAY2BGR)#cv_show(\'image_mask\',image_mask)plt.figure(figsize=(10,8),dpi=100) plt.subplot(131) img_show(\'original image\',image) plt.subplot(132) img_show(\'thresh_inv\',thresh_inv) plt.subplot(133) img_show(\'image_mask\',image_mask)

文章图片

自适应阈值
在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的
每一个小区域计算与其对应的阈值。因此，在同一幅图像上的不同区域采用的不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。这种方法需要我们指定三个参数，返回值只有一个。

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

参数意义如下:

src：原图，即输入图像，是一个8位单通道的图像；
maxValue：分配给满足条件的像素的非零值；
【阈值处理】adaptiveMethod：自适应阈值的方法，通常有以下几种方法；
(1)ADAPTIVE_THRESH_MEAN_C，阈值T(x,y)是(x,y)减去C的Blocksize×Blocksize邻域的平均值。
(2)ADAPTIVE_THRESH_GAUSSIAN_C ，阈值T(x，y)是(x，y)减去C的Blocksize×Blocksize邻域的加权和(与高斯相关)，默认sigma(标准差)用于指定的Blocksize；具体的情况可以参见getGaussianKernel函数；
thresholdType：阈值的类型必须是以下两种类型，
(1)THRESH_BINARY，正向二值化
(2)THRESH_BINARY_INV ，反向二值化
blockSize：像素邻域的大小，用来计算像素的阈值，blockSize必须为奇数，例如，3，5，7等等；
C：从平均数或加权平均数减去常量。通常，它是正的，但也可能是零或负数。

例子

def img_show(name,image): """matplotlib图像显示函数 name：字符串，图像标题 img：numpy.ndarray，图像 """ if len(image.shape) == 3: image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB) plt.imshow(image,\'gray\') plt.xticks([]) plt.yticks([]) plt.xlabel(name,fontproperties=\'FangSong\',fontsize=12) if __name__=="__main__":image = cv2.imread(\'data/text1.png\') gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY)blurred = cv2.medianBlur(gray,1) #(\'original image\',image)(T,thresh) = cv2.threshold(blurred,127,255,cv2.THRESH_BINARY) #cv_show(\'original image\',thresh_inv) th1 = cv2.adaptiveThreshold(gray,255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2) th1_1 = cv2.medianBlur(th1,5) th2 = cv2.adaptiveThreshold(gray,255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)#color = cv2.cvtColor(image_mask,cv2.COLOR_GRAY2BGR)#cv_show(\'image_mask\',image_mask)plt.figure(figsize=(7,10),dpi=100) plt.subplot(221) img_show(\'Original Image\',gray) plt.subplot(222) img_show(\'Global Thresholding (v = 127)\',thresh) plt.subplot(223) img_show(\'Adaptive Mean Thresholding\',th1_1) plt.subplot(224) img_show(\'Adaptive Gaussian Thresholding\',th2)

文章图片

OTSU(大津算法)
OTSU用来自动对基于聚类的图像进行二值化，或者说，将一个灰度图像退化为二值图像。该算法以大津展之命名。该算法假定该图像根据双模直方图（前景像素和背景像素）把包含两类像素，于是它要计算能将两类分开的最佳阈值，使得它们的类内方差最小；由于两两平方距离恒定，所以即它们的类间方差最大。
下面的例子中，输入图像是一副带有噪声的图像。第一种方法，我们设127 为全局阈值。第二种方法，我们直接使用 Otsu 二值化。第三种方法，我们首先使用一个 5x5 的高斯核除去噪音，然后再使用 Otsu 二值化。看看噪音去除对结果的影响有多大吧。
例子

def img_show(name,image): """matplotlib图像显示函数 name：字符串，图像标题 img：numpy.ndarray，图像 """ if len(image.shape) == 3: image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB) plt.imshow(image,\'gray\') plt.xticks([]) plt.yticks([]) plt.xlabel(name,fontproperties=\'FangSong\',fontsize=12) if __name__=="__main__":image = cv2.imread(\'data/noise.jpg\')gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY) gray[100:300,100:700]=gray[100:300,100:700]+100 (T,thresh) = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) #cv_show(\'original image\',thresh_inv) (T,th1) = cv2.threshold(gray,127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) blurred = cv2.GaussianBlur(gray,(5,5),0)(T,th2) = cv2.threshold(blurred,127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)#color = cv2.cvtColor(image_mask,cv2.COLOR_GRAY2BGR)#cv_show(\'image_mask\',image_mask) images = [gray, 0, thresh,gray, 0, th1,blurred, 0, th2] titles = [\'Original Noisy Image\',\'Histogram\',\'Global Thresholding (v=127)\', \'Original Noisy Image\',\'Histogram\',"Otsu\'s Thresholding", \'Gaussian filtered Image\',\'Histogram\',"Otsu\'s Thresholding"] plt.figure(figsize=(7,10),dpi=100) for i in range(3): plt.subplot(3,3,i*3+1) img_show(titles[i*3],images[i*3]) plt.subplot(3,3,i*3+2) plt.hist(images[i*3].ravel(),256) plt.xlabel(titles[i*3+1]) plt.xticks([]) plt.yticks([]) plt.subplot(3,3,i*3+3) img_show(titles[i*3+2],images[i*3+2])