scikit-image 中用于图像分割的阈值算法(2)

plt.show()

threshold_otsu(gray_image) 函数根据 Otsu 的二值化算法返回阈值。之后，使用此值构建二进制图像( dtype= bool )，最后应将其转换为 8 位无符号整数格式( dtype=uint8 )以进行可视化，使用img_as_ubyte() 函数完成转换过程。

程序输出如下图所示：

接下来，介绍下如何使用 scikit-image 中的一些其它阈值技术。

scikit-image 中的其他阈值技术

---

接下来，将对比 Otsu、triangle、Niblack 和 Sauvola 阈值技术进行阈值处理的不同效果。 Otsu 和 triangle 是全局阈值技术，而 Niblack 和 Sauvola 是局部阈值技术。当背景不均匀时，局部阈值技术则是更好的方法阈值处理方法。

同样的，第一步是导入所需的包：

from skimage.filters import threshold_otsu, threshold_triangle, threshold_niblack, threshold_sauvola

from skimage import img_as_ubyte

import cv2

import matplotlib.pyplot as plt

调用每个阈值方法( threshold_otsu()、threshold_niblack()、threshold_sauvola() 和 threshold_triangle() )，以使用 scikit-image 对比执行阈值操作：

Otsu

thresh_otsu = threshold_otsu(gray_image)

binary_otsu = gray_image > thresh_otsu

binary_otsu = img_as_ubyte(binary_otsu)

Niblack

thresh_niblack = threshold_niblack(gray_image, window_size=25, k=0.8)

binary_niblack = gray_image > thresh_niblack

binary_niblack = img_as_ubyte(binary_niblack)

Sauvola

thresh_sauvola = threshold_sauvola(gray_image, window_size=25)

binary_sauvola = gray_image > thresh_sauvola

binary_sauvola = img_as_ubyte(binary_sauvola)

triangle

thresh_triangle = threshold_triangle(gray_image)

binary_triangle = gray_image > thresh_triangle

binary_triangle = img_as_ubyte(binary_triangle)

程序输出如下图所示：

如上图所示，当图像不均匀时，局部阈值方法可以提供更好的结果。因此，可以将这些局部阈值方法应用于文本识别。

最后，我们了解一个更加有趣的阈值算法—— Multi-Otsu 阈值技术，其可用于将输入图像的像素分为多个不同的类别，每个类别根据图像内灰度的强度计算获得。

Multi-Otsu 根据所需类别的数量计算多个阈值，默认类数为3，此时将获得三个类别，算法返回两个阈值，由直方图中的红线表示。

import matplotlib

import numpy as np

import cv2

from skimage import data

from skimage.filters import threshold_multiotsu

image = cv2.imread(‘8.png’)

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

使用默认值调用 threshold_multiotsu()

thresholds = threshold_multiotsu(image)

regions = np.digitize(image, bins=thresholds)

def show_img_with_matplotlib(img, title, pos, cmap):

ax = plt.subplot(1, 3, pos)

plt.imshow(img, cmap=cmap)

plt.title(title, fontsize=8)

plt.axis(‘off’)

fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(10, 3.5))

绘制灰度图像

show_img_with_matplotlib(image, ‘Original’, 1, cmap=‘gray’)

可视化直方图

ax[1].hist(image.ravel(), bins=255)

ax[1].set_title(‘Histogram’)

for thresh in thresholds:

ax[1].axvline(thresh, color=‘r’)

可视化 Multi Otsu 结果

show_img_with_matplotlib(regions, ‘Multi-Otsu result’, 3, cmap=‘jet’)

plt.subplots_adjust()

plt.show()

可以通过修改 threshold_multiotsu 的 classes 参数来改变类别数，以观察不同效果：

将类别数修改为4

thresholds = threshold_multiotsu(image, classes=3)

regions = np.digitize(image, bins=thresholds)

scikit-image 也提供了其他更多的阈值技术，可以参阅 API 文档，以查看所有可用方法。

小结

---

本文中，我们介绍了如何使用 scikit-image 中的不同阈值算法，包括两种全局阈值技术( Otsu 和 三角形二值算法)和两种局部阈值技术( Niblack 和 Sauvola 算法)。

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

n/img_convert/9f49b566129f47b8a67243c1008edf79.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）