4. OpenCV图像阈值操作

1. 普通阈值操作

python中用法

‎对所有矩阵元素应用固定级别阈值‎

retval, dst	=	cv.threshold(	src, thresh, maxval, type[, dst]	)

参数列表

参数类型	‎功能‎
src	‎输入图像矩阵（多通道、8 位或 32 位浮点）‎
thresh	阈值
maxval	在各种阈值类型中应用的最大值
type	阈值类型
dst	返回图像矩阵

ThresholdTypes(阈值类型)如下

实例

img = cv.imread("../file/photos/gradient.png", 0)

ret1, theresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
ret2, theresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
ret3, theresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
ret4, theresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
ret5, theresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)
titles = ['Oringal image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, theresh1, theresh2, theresh3, theresh4, theresh5]
for i in range(6):
    plt.subplot(2, 3, i+1), plt.imshow(images[i], 'gray'), plt.title(titles[i])
    plt.xticks([])# 显示x,y 轴坐标
    plt.yticks([])
plt.show()

结果

2. 自适应阈值操作

python中用法

将自适应阈值应用到数组。‎‎在前一节中，使用一个全局值作为阈值。但是，这可能并非在所有情况下都是好的，例如，如果图像在不同区域具有不同的照明条件。在这种情况下，自适应阈值会有所帮助。在这里，算法根据周围一个小区域确定像素的阈值。因此，我们为同一图像的不同区域获得不同的阈值，从而为不同照明的图像提供更好的结果。‎

‎该函数根据公式将灰度图像转换为二进制图像‎

	dst	=	cv.adaptiveThreshold(	src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]	)

参数类型	功能
src	‎ 8 位单通道源图像‎
dst	返回的图像矩阵
maxValue	‎分配给条件满足的像素的非零值‎
adaptiveMethod	参考AdaptiveThresholdTypes
thresholdType	参考ThresholdTypes
blockSize	‎用于计算像素阈值的像素邻社区的大小：3、5、7 等。‎
C	不断从均值或加权均值中减去（参见下面的详细信息）。通常，它是正的，但可能是零或者为负

AdaptiveThresholdTypes（自适应阈值类型）

类型
平均阈值Python: cv.ADAPTIVE_THRESH_MEAN_C	the threshold value T(x,y) is a mean of the blockSize×blockSize neighborhood of (x,y) minus C
高斯阈值Python: cv.ADAPTIVE_THRESH_GAUSSIAN_C	the threshold value T(x,y) is a weighted sum (cross-correlation with a Gaussian window) of the blockSize×blockSize neighborhood of (x,y) minus C . The default sigma (standard deviation) is used for the specified blockSize . See getGaussianKernel

实列

img = cv.imread("../file/photos/sudoku.jpg", 0)
img = cv.medianBlur(img, 5)  # （孔径线性尺寸：必须是大于1的奇数，例如3、5、7…）
# 普通阈值法
ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
# 自适应阈值——平均阈值类型
th2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, 
                           cv.THRESH_BINARY, 11, 2)
# 自适应阈值——高斯阈值类型
th3 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, 
                           cv.THRESH_BINARY, 11, 2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]

for i in range(4):
    plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray'), plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

结果

其中cv.medianBlur(img, 5)参考medianBlur()该功能使用中位数滤镜平滑图像与‎ ksize×ksize ‎孔径。多通道图像的每个通道都独立处理。

3. Otsu二值化

在全局阈值中，我们随意地指定一个值作为阈值，相比之下，大津二值法避免选择一个值，而是自动地决定这个值。‎考虑一个只有两个不同图像值的图像（‎‎双模图像‎‎），直方图将只包括两个山峰。一个好的阈值将在这两个值的中间。同样，大津的方法从图像直方图中确定最佳的全局阈值，为了达到这个目的，这里使用cv.threshold()方法，而cv.THRESH_OTSU被作为一个额外的标志，阈值可以任意选择。‎ ‎然后，该算法找到作为第一个输出返回的最佳阈值。‎

实例

ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)

ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)

blur = cv.GaussianBlur(img, (5, 5), 0)
'''
	# cv.GaussianBlur(	src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]	) ->	dst
'''
ret3, th3 = cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)

images = [  img, 0, th1,
            img, 0, th2,
            blur, 0, th3,
         ]

titles = ["Original Noisy Image", "Histogram", "Global Thresholding (v=127)",
          "Original Noisy Image", "Histogram", "Ostu's Thresholding",
          "Gaussian filtered Image", "Histogram", "Ostu's Thresholding",
          ]

for i in range(3):
    plt.subplot(3, 3, 3*i+1), plt.imshow(images[i*3], 'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3, 3, 3*i+2), plt.hist(images[i*3].ravel(), 256, color="black")
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3, 3, 3*i+3), plt.imshow(images[i*3+2], 'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])

plt.show()

其中cv.GaussianBlur()高斯模糊参考cv.GaussianBlur

结果

以上示例中，第一个直接进行全局阈值操作；第二个直接进行大津二值法操作：第三个‎首先用5x5高斯内核过滤以消除噪音，然后应用大津阈值‎，可以看到噪音过滤改善的结果。