OpenCV4图像处理--阈值分割之二值图

二值图与灰度图概念

PS：opencv 中二值图像是基于背景是黑色！！！！

阈值分割之二值分割

• 五种阈值分割方法 : 输入图像 + 阈值T
  
• C++ API：threshold 注意这个 API 只能支持灰度图

CV_EXPORTS_W double threshold( InputArray src, OutputArray dst,
                               double thresh, double maxval, int type );

	//阈值分割(五种方式)
	Mat gray, binary;
	cvtColor(src, gray, COLOR_BGR2GRAY);//得到灰度图
	imshow("gray", gray);

	threshold(gray, binary, 127, 255, THRESH_BINARY);//这个 T = 127 暂时给定 不一定合理 后面分析怎么确定
	imshow("binary", binary);//二值分割

	threshold(gray, binary, 127, 255, THRESH_BINARY_INV);
	imshow("threshold binary invert", binary);

	threshold(gray, binary, 127, 255, THRESH_TRUNC);
	imshow("threshold TRUNC", binary);

	threshold(gray, binary, 127, 255, THRESH_TOZERO);
	imshow("threshold to zero", binary);

	threshold(gray, binary, 127, 255, THRESH_TOZERO_INV);
	imshow("threshold to zero invert", binary);

• python API：cv2.threshold , 同样注意这个 API 输入图像为灰度图
  参数说明：第一个是原图像矩阵，第二个是进行分类的阈值，第三个是高于（低于）阈值时赋予的新值，第四个是一个方法选择参数（分割方法），常用的有：

阈值模式有以下几种类型
0: THRESH_BINARY         -当前点值大于阈值时，取Maxval，否则设置为0
1: THRESH_BINARY_INV     -当前点值大于阈值时，设置为0，否则设置为Maxval
2: THRESH_TRUNC          -当前点值大于阈值时，设置为阈值，否则不改变
3: THRESH_TOZERO         -当前点值大于阈值时，不改变，否则设置为0
4: THRESH_TOZERO_INV     -当前点值大于阈值时，设置为0，否则不改变

这个函数返回两个值，第一个值为阈值，第二个就是阈值处理后的图像矩阵

import cv2

#读入图像并转为灰度图
img = cv2.imread('.\\images\\keji.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
print(img.shape)
cv2.imshow('img', img)

ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('binary', thresh1)
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow('binary_inv', thresh2)
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
cv2.imshow('trunc', thresh3)
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
cv2.imshow('tozero', thresh4)
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
cv2.imshow('tozero_inv', thresh5)

cv2.waitKey(0)
cv2.destroyAllWindows()

• 很明显，二值分割就是阈值分割中的一种，即THRESH_BINARY

获取阈值算法

前面对于阈值的设定上，我们选择的阈值都是127，在实际情况中，有的图像阈值不是127得到的图像效果更好。那么这里就需要算法自己去寻找一个阈值，那么怎么确定较好的阈值T呢，有很多计算阈值的算法！主要分为全局阈值和自适应阈值

全局阈值

• 全局阈值概念
  全局固定阈值很容易理解，就是对整幅图像都是用一个统一的阈值来进行二值化！
• 全局阈值分割方法: 均值法、 OTSU、 三角法（Triangle）

均值法：

	//C++ 实现 均值法全局阈值
	Scalar m = mean(gray);
	printf("means:%.2f\n", m[0]);//计算得到均值为120.88
	threshold(gray, binary, m[0], 255, THRESH_BINARY);
	imshow("binary", binary);

OTSU:

• 相关概念：
  灰度直方图：将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。其实就是每个值（0~255）的像素点个数统计，如下图。
  
  Otsu算法假设这副图片由前景色和背景色组成，通过最大类间方差选取一个阈值，将前景和背景尽可能分开。下图说明中，以2作为分割点计算类内方差，然后计算其他点作为分割点的方差，选择方差最小的作为阈值分割点。数学思想是：相当于对数据进行分类，分成两类，那么相似的东西他们之间的差异肯定小，那么基于类内最小方差之和作为分割点就很科学。基本上双峰图片的阈值T在两峰之间的谷底。
  

三角法： 三角法介绍

• c++ API：
  

	//OTSU
	double t1 = threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);//t1为otsu分割阈值
	printf("otsu threshold T:%.2f\n", t1);
	imshow("otsu binary", binary);

	//三角法 triangle
	double t2 = threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_TRIANGLE);//t2为triangle分割阈值
	printf("triangle threshold T:%.2f\n", t2);
	imshow("triangle binary", binary);

• python API

ret, thresh6 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)  # Otsu 滤波
print('T:', ret)
cv2.imshow('otsu', thresh6)

ret, thresh7 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_TRIANGLE)  # triangle 滤波
print('T:', ret)
cv2.imshow('triangle', thresh7)

PS：可以看出均值、otsu、triangle的各自效果，各自的阈值分别可以获取，其中 otsu 效果最好，因为otsu可以有效对抗多个峰的直方图阈值查找，三角法只有对单峰的图像效果较好！因此需要根据图像直方图的分布情况选择合适的方法，一般优先选择otsu,三角法主要应用于医学和生物中的比较单调的图像分割！

自适应阈值

• 自适应阈值概念
  自适应阈值可以看成一种局部性的阈值，通过设定一个区域大小，比较这个点与区域大小里面像素点 的平均值（或者其他特征）的大小关系确定这个像素点的情况！全局阈值的局限就是对光照不均匀的图像容易错误分割，而自适应阈值可以改善这种缺点！
  
• 自适应阈值分割原理
  它的思想不是计算全局图像的阈值，而是根据图像不同区域亮度分布，计算其局部阈值，所以对于图像不同区域，能够自适应计算不同的阈值，因此被称为自适应阈值法。如何确定局部阈值呢？可以计算某个邻域(局部)的均值、中值、高斯加权平均(高斯滤波)来确定阈值。
  
• C++ API:adaptiveThreshold

CV_EXPORTS_W void adaptiveThreshold( InputArray src, OutputArray dst,
                                     double maxValue, int adaptiveMethod,
                                     int thresholdType, int blockSize, double C );

	//自适应阈值
	
	adaptiveThreshold(gray, binary, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 25, 10);
	imshow("ada-gaussian binary", binary);

	adaptiveThreshold(gray, binary, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 25, 10);
	imshow("ada-mean binary", binary);

• python API

1 第一个参数为原始图像矩阵;
2 第二个参数为像素值上限;
3 第三个是自适应方法（adaptive method）：
#                                              -----cv2.ADAPTIVE_THRESH_MEAN_C:领域内均值
#                                              -----cv2.ADAPTIVE_THRESH_GAUSSIAN_C:领域内像素点加权和，权重为一个高斯窗口
4 第四个值的赋值方法：只有cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV
5 第五个Block size：设定领域大小（一个正方形的领域）
6 第六个参数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值，就是求得领域内均值或者加权值）

thresh8 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 25, 2)
cv2.imshow('addp mean', thresh8)

thresh9 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 25, 2)
cv2.imshow('addp gauss', thresh9)