图像阈值处理
目标
- 在本篇文章中,您将学习简单阈值,自适应阈值和Otsu阈值。
- 你将学习函数cv.threshold和cv.adaptiveThreshold。
简单阈值
在这里,问题直截了当。对于每个像素,应用相同的阈值。如果像素值小于阈值,则将其设置为0,否则将其设置为最大值。函数cv.threshold用于简单阈值。第一个参数是原图像,它应该是灰度图像。第二个参数是阈值,用于对像素值进行分类。第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了不同类型的阈值,这由函数的第四个参数给出。函数形式:threshold(src, thresh, maxval, type, dst=None)。
所有简单的阈值类型为:
- cv.THRESH_BINARY:大于阈值的部分像素值变为最大值,其他变为0
- cv.THRESH_BINARY_INV:大于阈值的部分变为0,其他部分变为最大值
- cv.THRESH_TRUNC:大于阈值的部分变为阈值,其余部分不变
- cv.THRESH_TOZERO:大于阈值的部分不变,其余部分变为0
- cv.THRESH_TOZERO_INV:大于阈值的部分变为0,其余部分不变
该方法返回两个输出。第一个是使用的阈值,第二个输出是阈值后的图像。下面代码比较了不同的简单阈值类型:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('./data/gradient.png', 0) # 请设置图片路径,以灰度的方式进行读取
ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
ret, thresh5 = cv.threshold(img ,127, 255, cv.THRESH_TOZERO_INV)
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
plt.subplot(2, 3, i+1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
结果图像如下;
自适应阈值
在上一节中,我们使用一个全局值作为阈值。但这可能并非在所有情况下都很好,例如,如果图像在不同区域具有不同的光照条件。在这种情况下,自适应阈值阈值化可以提供帮助,该算法基于像素周围的小区域确定像素的阈值。因此,对于同一图像的不同区域,我们获得了不同的阈值,这为光照度变化的图像提供了更好的结果。
adaptiveThreshold函数形式:adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
除了上一节中简单阈值的参数外,法cv.adaptiveThreshold还包含三个输入参数:
• AdaptiveMethod- 指定计算阈值的方法。
cv.ADAPTIVE_THRESH_MEAN_C::阈值是邻近区域的平均值减去常数**C**。
cv.ADAPTIVE_THRESH_GAUSSIAN_C:阈值是邻域值的高斯加权总和减去常数**C**。
• BlockSize - 邻域大小(用来计算阈值的区域大小)。
• C - 这就是是一个常数,阈值就等于的平均值或者加权平均值减去这个常数。
这种方法需要我们指定六个参数,返回值只有一个。下面的代码比较了光照变化的图像的全局阈值和自适应阈值:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('./data/sudoku.png', 0) # 请设置图片路径,以灰度的方式进行读取
# 中值滤波,用来平滑图像,去除噪声
img = cv.medianBlur(img, 5)
# 简单阈值
ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
# 自适应,阈值取相邻区域的平均值
thresh2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 3, 1)
# 自适应,阈值取值相邻区域的加权和,权重为一个高斯窗口
thresh3 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 3, 1)
titles = ['Original Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'TAdaptive Gaussian Thresholding']
images = [img, thresh1, thresh2, thresh3]
for i in range(4):
plt.subplot(2, 2, i+1)