OpenCV基于Python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)