OpenCV-Python学习＜四＞阈值处理

New_Tank

已于 2022-04-14 00:24:51 修改

阅读量3.7k

点赞数

分类专栏： Python OpenCV 文章标签： python opencv

于 2022-04-14 00:24:05 首次发布

本文链接：https://blog.csdn.net/New_Tank/article/details/124160638

版权

Python 同时被 2 个专栏收录

17 篇文章 1 订阅

订阅专栏

OpenCV

8 篇文章 2 订阅

订阅专栏

本文详细介绍了OpenCV中的阈值处理函数cv2.threshold()，包括二值化、反二值化、截断、超阈值零处理、低阈值零处理等类型，并通过实例展示了它们在图像处理中的应用。同时，提到了Otsu自动阈值选择方法，以及自适应阈值处理在处理色彩不均匀图像时的优势。

摘要由CSDN通过智能技术生成

图像处理时，常常需要将图片二值化。以某个点为区分点，大于它的为一个值，小于它的赋另一个值。 opencv提供了cv.threshold()，处理阈值，并生成阈值处理后的结果。

cv2.threshold()可以产生二值化的结果，也可以产生其它结果。

retval, dst = cv2.threshold(src, thresh, maxval, type)

retval: 代表返回的阈值，也就是此次阈值处理所用的阈值。

dst: 代表阈值分割结果图，与原始图src有相同的大小和类型。

src:代表要进行阈值分割的图片。可以是多通道的，8位或者32位浮点类型。

thresh: 代表要设置的阈值。

maxval: 只有type为：cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV时需要，作为最大值用。(也就是只有二值化时，maxval作为最大值，0作为最小值)

type:代表阈值分割的类型。

Enumerator
THRESH_BINARY Python: cv.THRESH_BINARY	dst(x,y)={maxval0if src(x,y)>threshotherwise
THRESH_BINARY_INV Python: cv.THRESH_BINARY_INV	dst(x,y)={0maxvalif src(x,y)>threshotherwise
THRESH_TRUNC Python: cv.THRESH_TRUNC	dst(x,y)={thresholdsrc(x,y)if src(x,y)>threshotherwise
THRESH_TOZERO Python: cv.THRESH_TOZERO	dst(x,y)={src(x,y)0if src(x,y)>threshotherwise
THRESH_TOZERO_INV Python: cv.THRESH_TOZERO_INV	dst(x,y)={0src(x,y)if src(x,y)>threshotherwise
THRESH_MASK Python: cv.THRESH_MASK
THRESH_OTSU Python: cv.THRESH_OTSU	flag, use Otsu algorithm to choose the optimal threshold value
THRESH_TRIANGLE Python: cv.THRESH_TRIANGLE	flag, use Triangle algorithm to choose the optimal threshold value

使用图示：

详解如下：

1. 二值化阈值处理：cv2.THRESH_BINARY:

会将原始图像处理为仅有两个值的二值图像。

#threshold
img_bgr = cv2.imread("images/people.webp", cv2.IMREAD_COLOR)
t, rst = cv2.threshold(img_bgr, 127, 255, cv2.THRESH_BINARY)
cv2.imshow("ORZ", img_bgr)
cv2.imshow("BINARY", rst)
cv2.waitKey()
cv2.destroyAllWindows()

2. 反二值化阈值处理：cv2.THRESH_BINARY_INV:

反二值化阈值处理与相反，高于阈值的部分设置为0，低于阈值的部分设置为maxval.

img_bgr = cv2.imread("images/people.webp", cv2.IMREAD_COLOR)
t, rst = cv2.threshold(img_bgr, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow("ORZ", img_bgr)
cv2.imshow("BINARY", rst)
cv2.waitKey()
cv2.destroyAllWindows()

3. 截断阈值化处理 cv2.THRESH_TRUNC：

大于阈值的像素点设置为阈值，小于阈值的像素点不变。

img_bgr = cv2.imread("images/people.webp", cv2.IMREAD_COLOR)
t, rst = cv2.threshold(img_bgr, 127, 255, cv2.THRESH_TRUNC)
cv2.imshow("ORZ", img_bgr)
cv2.imshow("BINARY", rst)
cv2.waitKey()
cv2.destroyAllWindows()

4. 超阈值零处理 cv2.THRESH_TOZERO_INV

5. 低阈值零处理 cv2.THRESH_TOZERO:

6. Otsu处理：

前面所有阈值处理类型，都需要自己设置一个阈值，以此作为图像阈值处理的依据。但在某些情况下，阈值并不好测算。

例如：有些图像的灰度级分布非常不均衡，比如绝大部分在60-70之间，若把阈值设置为127,则明显不符合预期。需要找到更好的阈值。但阈值的并不是一下就能看出的。若需要手动查找，工作量太大。而Otsu处理则可以自动找出最佳的分割阈值。只需要在type中加入cv2.THRESH_OTSU

A. type中增加cv2.THRESH_OTSU.

B. 设定的阈值为0.

C 返回值t是Otsu方法计算出的最佳阈值。

#threshold
img_bgr = cv2.imread("images/people.webp", cv2.IMREAD_GRAYSCALE)
t, rst = cv2.threshold(img_bgr, 0, 255, cv2.THRESH_TRUNC+cv2.THRESH_OTSU)
print("OTSU :", t)
cv2.imshow("ORZ", img_bgr)
cv2.imshow("BINARY", rst)
cv2.waitKey()
cv2.destroyAllWindows()

7. 自适应阈值处理：

不管是指定阈值，还是Otsu找到合适的阈值。都建立在目标图片色彩均衡，用一个阈值就可以很好的处理。但有些图片色彩不均匀。某个阈值在图片的一部分表现良好，在另一部分则效果不佳。

所以就有了自适阈值处理，它经过计算每一个点周围邻近区域的加权平均作为阈值，并对当前像素点进行处理。

cv2.adaptiveThreshold()