OpenCV(十二)：图像核心操作之为图像的阈值

目标：简单阈值、自适应阈值、Otsu's二值化等

函数：cv2.threshold cv2.adaptiveThreshold

一、简单阈值

解析：cv2.threshold；

当像素高于阈值时，我们给这个像素赋予一个新值（可能是白色），否则我们就给它赋予另外一个颜色（颜色是黑色）。

函数的第一个参数就是原图像，原图像这里应该是灰度图；第二个参数就是用来对像素值进行分类的阈值；第三个参数就是当像素值高于(低于)阈值时应该被赋予的新的像素值。

第三个参数就是当像素值高于（低于）阈值时应该被赋予的新的像素值。
OpenCV提供了多种不同的阈值方法，这是由第四个参数来决定的这些方法包括：
        • cv2.THRESH_BINARY
        • cv2.THRESH_BINARY_INV
        • cv2.THRESH_TRUNC
        • cv2.THRESH_TOZERO
        • cv2.THRESH_TOZERO_INV

这个函数有两个返回值，第一个为 retVal，我们后面会解释。第二个就是
阈值化之后的结果图像了。

代码：

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

img = cv2.imread('tree.jpg', 0)  #(灰度图    )

ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

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']

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()

效果展示：

注意：为了同时在一个窗口中显示多个图像，我们使用函数：plt.subplot().

二、自适应阈值

前面的简单阈值也叫做全局阈值，整幅图像采用同一个数作为阈值。当一副图像的不同部分具有不同亮度时，这种情况我们需要采用自适应阈值，此时的阈值时根据图像上的每一个小区域计算与其对应的阈值，因此在同一副图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。

这种方法我们需要指定三个参数，返回值只有一个

• Adaptive Method- 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：阈值取值相邻区域的加权和，权重为一个高斯窗口。
• Block Size - 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。

img = cv2.imread('tree.jpg', 0) 
 
img = cv2.medianBlur(img, 5)# 中值滤波

ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 11 为 Block size, 2 为 C 值
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.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()

效果展示：

三、Otsu's 二值化

在简单阈值中，我们提到过 retVal,当我们使用 Otsu 二值化时用到它时，它又具体指的什么呢
早使用全局阈值(简单阈值) 时，我们就是随便给了一个数来做阈值，那我们怎么知道我们选取的这个数的好坏呢，答案就是不停的尝试。
如果是一副双峰图像（指的是图像直方图中存在两个峰）,我们岂不是应该在两个峰之间的峰谷选一个值作为阈值？这就是 Otsu二值化要做的。
简单来说就是对一副双峰图像自动根据其直方图计算出一个阈值，（对非双峰，结果会很不理想）
这里用到的函数还是 cv2.threshold(),但是需要多传入一个参数（flag）:cv2.THRESH_OTSU  这时候要把阈值设为0 ，然后算法会找到最优阈值。这个最优阈值就是返回值 retVal.
如果不使用Otsu二值化，返回的 retVal 值与设定的阈值相等。

 

举个栗子：

第一种：设127为全局阈值
第二种：直接使用Otsu二值化
第三种：首先使用一个 5x5 的高斯核除去噪音，然后再使用二值化，看看噪音去除对结果的影响有多大吧

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

img = cv2.imread('tree.jpg', 0)

# global thresholding (第一种：全局阈值)
ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# Otsu's thresholding （第二种：二值化）
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# Otsu's thresholding after Gaussian filtering（第三种：降噪之后二值化）
# （5,5）为高斯核的大小，0 为标准差
blur = cv2.GaussianBlur(img, (5, 5), 0)  #阈值一定要设为 0！

ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding (v=127)',
          'Original Noisy Image', 'Histogram', "Otsu's Thresholding",
          'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]

# 这里使用了 pyplot 中画直方图的方法，plt.hist, 要注意的是它的参数是一维数组
# 所以这里使用了（numpy）ravel 方法，将多维数组转换成一维，也可以使用 flatten 方法
# ndarray.flat 1-D iterator over an array.
# ndarray.flatten 1-D array copy of the elements of an array in row-major order.

for i in range(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()

效果展示：

 

转载请注明转自：https://blog.csdn.net/Owen_goodman/article/details/107088801