opencv-python 详解阈值分割

作者：RayChiu_Labloy
版权声明：著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处

---

目录

先说固定阈值分割函数：cv2.threshold(src, thresh, maxval, type[, dst])

 再说自适应阈值分隔：cv2.adaptiveThreshold() 

 最后分析OTSU算法（又称为大津算法和最大类间方差法）

---

固定阈值分割很直接，一句话说就是像素点值大于阈值变成一类值，小于阈值变成另一类值。

 “二值化”图像的三种方式：固定阈值、自适应阈值和Otsu阈值法（经验之谈：很多人误以为阈值分割就是二值化,两者并不等同，阈值分割结果是两类值，而不是两个值，所以二值化加了引号。）

先说固定阈值分割函数：cv2.threshold(src, thresh, maxval, type[, dst])

• src：表示的是图片源
• thresh：表示的是阈值（起始值）
• maxval：表示的是最大值（第四个参数type为CV_THRESH_BINARY和CV_THRESH_BINARY_INV是的最大值）
• type：表示的是这里划分的时候使用的是什么类型的算法，常用值为0（cv2.THRESH_BINARY）

其中第四个参数type有五种类型：

测试一下效果： 

import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread("21.bmp",0)
ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,thresh2 = cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,thresh3 = cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,thresh4 = cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,thresh5 = cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)

titles = ['Original', '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()

 显示效果：

 再说自适应阈值分隔：cv2.adaptiveThreshold() 

        固定阈值化的缺点就是对暗亮程度不同、明暗分布不均的图片无法做到很好的处理,自适应性二值化，相比于固定阈值的二值化处理，自适应阈值不需要确定一个固定的阈值，而是可以根据对应的自适应方法，通过图像的局部特征自适应的设定阈值，也就是取图片的一小部分计算阈值，做出二值化处理，下面我们分析下自适应阈值分割函数：

        cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

这个函数大致意思就是把图片每个像素点作为中心取N*N的区域，然后计算这个区域的阈值，来决定这个像素点变0还是变255,参数解释如下：

 

测试图片：

 测试代码：

import cv2
from matplotlib import pyplot as plt

# 自适应阈值对比固定阈值
img = cv2.imread('21.bmp', 0)
# 固定阈值
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 自适应阈值
th2 = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)
th3 = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, 6)
titles = ['Original', 'Global(v = 127)', 'Adaptive Mean', 'Adaptive Gaussian']
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], fontsize=8)
    plt.xticks([]), plt.yticks([])
plt.show()

 测试效果：

 最后分析OTSU算法（又称为大津算法和最大类间方差法）

        在前面固定阈值中，我们是随便选了一个阈值如127，那如何知道我们选的这个阈值效果好不好呢？答案是：不断尝试，所以这种方法在很多文献中都被称为经验阈值。

        最大类间方差法是1979年由日本学者大津提出的，是一种自适应阈值确定的方法，又叫大津法，简称OTSU，Otsu阈值法会自动计算阈值，是一种基于全局的二值化算法，它是根据图像的灰度特性（直方图相关）,将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差，前景和背景尽可能分开。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小。

         Otsu阈值法非常适用于双峰图片（双峰图片就是指图片的灰度直方图上有两个峰值）。

 测试图片：

测试代码：

import cv2
from matplotlib import pyplot as plt

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

# 固定阈值法
ret1, th1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)

# Otsu阈值法
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 先进行高斯滤波，再使用Otsu阈值法
blur = cv2.GaussianBlur(img, (5, 5), 0)
ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original', 'Histogram', 'Global(v=100)',
          'Original', 'Histogram', "Otsu's",
          'Gaussian filtered Image', 'Histogram', "Otsu's"]

for i in range(3):
    # 绘制原图
    plt.subplot(3, 3, i * 3 + 1)
    plt.imshow(images[i * 3], 'gray')
    plt.title(titles[i * 3], fontsize=8)
    plt.xticks([]), plt.yticks([])

    # 绘制直方图plt.hist，ravel函数将数组降成一维
    plt.subplot(3, 3, i * 3 + 2)
    plt.hist(images[i * 3].ravel(), 256)
    plt.title(titles[i * 3 + 1], fontsize=8)
    plt.xticks([]), plt.yticks([])

    # 绘制阈值图
    plt.subplot(3, 3, i * 3 + 3)
    plt.imshow(images[i * 3 + 2], 'gray')
    plt.title(titles[i * 3 + 2], fontsize=8)
    plt.xticks([]), plt.yticks([])
plt.show()

 测试结果：

        可以看到，Otsu 阈值明显优于固定阈值，省去了不断尝试阈值判断效果好坏的过程。其中，绘制直方图时，使用了numpy 中的 ravel() 函数，它会将原矩阵压缩成一维数组，便于画直方图。

Otsu算法详解
Otsu阈值法将整幅图分为前景（目标）和背景，以下是一些符号规定：
$ T $：分割阈值
$ N_0 $：前景像素点数
$ N_1 $：背景像素点数
$ \omega_0 $：前景的像素点数占整幅图像的比例
$ \omega_1 $：背景的像素点数占整幅图像的比例
$ \mu_0 $：前景的平均像素值
$ \mu_1 $：背景的平均像素值
$ \mu $：整幅图的平均像素值
$ rows\times cols $：图像的行数和列数
结合下图会更容易理解一些，有一副大小为4×4的图片，假设阈值T为1，那么：

 其实很好理解，$ N_0+N_1 $就是总的像素点个数，也就是行数乘列数：

 $ \omega_0 $和$ \omega_1 $是前/背景所占的比例，也就是：

 整幅图的平均像素值就是：

 此时，我们定义一个前景$ \mu_0 $与背景$ \mu_1 $的方差$ g $：

 将前述的1/2/3公式整合在一起，便是：

$ g $ 就是前景与背景两类之间的方差，这个值越大，说明前景和背景的差别也就越大，效果越好。 Otsu 算法便是遍历阈值 T ，使得 $ g $ 最大，所以又称为最大类间方差法。 基本上双峰图片的阈值 T 在两峰之间的谷底。

【如果对您有帮助，交个朋友给个一键三连吧，您的肯定是我博客高质量维护的动力！！！】