openCV图像阈值

#图像阈值
'''
#1.简单阈值：
#当像素高于阈值时，我们给这个像素赋予新值，（可能白色）否则我们给其赋予另外一个新值（可能黑色）
#使用到的函数：cv2.threshold(原图像(原图像是灰度图)，(用来对像素值进行分类的阈值)，(当像素值高于阈值时，应该赋予的新值),openCV中提供多种不同阈值的方法))
#cv2.threshhold参数四，这些方法包括：cv2.THRESH_BINARY()   cv2.THRESH_BINARY_INV  cv2.THRESH_TRUNC  cv2.THRESH_TOZERO cv2.THRESH_TOZERO_INV
#这个函数值有两个返回值，一是retVal(阈值)  二个是阈值化之后的结果图像

import cv2
import numpy as np
from cffi.backend_ctypes import xrange
from matplotlib import pyplot as plt

img = cv2.imread('t3.png', 0)#导图
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#设置简单阈值，以该函数第四个参数为区别，看结果
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']#六种不同阈值方法所对应的结果的标题
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]#六种结果

for i in xrange(6):
    plt.subplot(2, 3, i+1), plt.imshow(images[i], 'gray')#在一个窗口中显示多个图像
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
#关于subplot的用法：
#subplot（m,n,p）或者subplot（mnp）此函数最常用：subplot是将多个图画到一个平面上的工具。
其中，m表示是图排成m行，n表示图排成n列，也就是整个figure中有n个图是排成一行的，一共m行，如果第一个数字是2就是表示2行图。
p是指你现在要把曲线画到figure中哪个图上，最后一个如果是1表示是从左到右第一个位置。
'''
from cffi.backend_ctypes import xrange

'''
#2.自适应阈值
#前面的简单阈值是全局的，而自适应阈值是局部的。
#我们需要使用三个参数来完成自适应阈值的用法：
#Adaptive Methond:指定计算阈值的方法
    #cv2.ADPTIVE_THRESH_MEAN_C:阈值取自相邻区域的平均值
    #cv2.ADPTIVE_THRESH_GAUSSIAN_C:阈值取相邻区域的加权和，权重为一个高斯窗口
#Block Size:领域的大小（用来计算阈值区域的大小）
#C:这就是一个常数，阈值就等于平均值或加权平均值减去这个常数

#下面的代码来展示简单阈值和自适应阈值的差别：
import cv2
import numpy as np
from cffi.backend_ctypes import xrange
from matplotlib import pyplot as plt

img = cv2.imread('test1.png', 0)
img = cv2.medianBlur(img, 5)#中值滤波
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#简单阈值
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)# \cv2.THRESH_BINARY,
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['original image', 'globel thresholding', 'adaptive mean thresholding', 'adaptive gaussian thresholding']
images = [img, th1, th2, th3]
for i in xrange(4):
    plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
'''

#3.Otsu's二值化
#对于全局图，我们怎么设置一个恰倒好处的阈值呢？只有通过不断的尝试；但是对于双峰图，我们可以使用Otsu's二值化搞定
#Otsu's二值化：对一副双峰图像自动根据其直方图来计算一个阈值
#函数:函数是,cv2.threshold(),需要多传入一个参数cv2.THRESH_OTSU,这个时候要把阈值设为0，算法会找到最优阈值，这个最优阈值的返回值就是retVal，加入不使用二值化，返回的值与设定的阈值一致

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('noisy.png', 0)
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#设置127为全局阈值
ret, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#使用Otsu二值化，即局部阈值
blur = cv2.GaussianBlur(img, (5, 5), 0)#阈值一定要设置为0，
ret, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#线使用一个高斯核除去噪音，在进行二值化
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding(v=127)',
          'Origianl Noisy Image', 'Histogram', "Otsu's Thresholding",
          'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]

for i in xrange(3):
    plt.subplot(3, 3, i*3+1) , plt.imshow(images[i*3], 'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])

    plt.subplot(3, 3, i * 3 +2), plt.hist(images[i * 3].ravel(), 256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])

    plt.subplot(3, 3, i*3+3), plt.imshow(images[i*3+2], 'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

对应结果：

1.简单阈值

2.自适应阈值

3.二值化