一、图像二值化概括:
图像二值化是数字图像处理中的一种技术,它将图像的像素值简化为两个类别:前景和背景。具体来说,二值化处理涉及以下关键点:
(1)目的:
二值化的主要目的是将图像中的前景对象与背景分离,以便于后续的图像分析和处理,如目标识别、特征提取、图像分割等。
(2)阈值选择:
通过选择一个合适的阈值(threshold),将图像的灰度值分为两部分。灰度值高于阈值的像素被归类为前景(通常赋值为255,表示白色),而低于阈值的像素被视为背景(通常赋值为0,表示黑色)。
(3)应用场景:
二值化常用于图像预处理,特别是在需要强调图像中的特定特征或在图像中区分不同区域时。例如,在文字识别、医学成像分析、工业自动化中的零件计数和缺陷检测等领域。
(4)方法:
二值化可以采用全局阈值或局部自适应阈值方法。全局阈值方法为整个图像应用单一阈值,而局部自适应阈值方法会根据图像的不同区域调整阈值,以适应不同光照和对比度条件。
(5)挑战:
在实际应用中,选择合适的阈值可能具有挑战性,因为图像的光照、对比度和噪声等因素可能影响阈值的效果。因此,可能需要使用复杂的算法来自动确定最佳阈值。
(6)结果:
二值化的结果是一个二值图像,其中像素只有两种可能的值,这简化了图像的复杂性,同时保留了重要的视觉信息。
(7)后续处理:
二值化图像可以进一步进行连通域分析、形态学操作等,以实现更高级的图像分析任务。
二、使用的opencv函数:
a.函数一:
(1)函数原型:
CV_EXPORTS_W double threshold( InputArray src, OutputArray dst,
double thresh, double maxval, int type );
(2)函数作用:
threshold
函数对多通道数组的每个元素应用固定级别的阈值处理。通常用于从灰度图像中获取二值图像,或者用于去除噪声,即过滤掉值过小或过大的像素点。
(3)参数:
InputArray src
:输入数组,可以是多通道的,数据类型为 8 位无符号整数或 32 位浮点数。OutputArray dst
:输出数组,与输入数组src
的大小、类型和通道数相同。double thresh
:阈值,用于阈值处理的值。double maxval
:最大值,与THRESH_BINARY
和THRESH_BINARY_INV
阈值类型一起使用时,表示阈值之上的最大值。int type
:阈值类型,决定了阈值处理的具体方法(见ThresholdTypes
枚举)。
(4)特殊值:
THRESH_OTSU
或 THRESH_TRIANGLE
,这些特殊值可以与上述值结合使用。在这些情况下,函数使用 Otsu's 或 Triangle 算法确定最优阈值,并使用该值代替指定的 thresh
。
(5)注意:
Otsu's 和 Triangle 方法目前仅实现了针对 8 位单通道图像。
(6)返回值:
如果使用了 Otsu's 或 Triangle 方法,则返回计算出的阈值。
(7)应用场景:
threshold
函数适用于图像的二值化处理,以及在需要基于阈值过滤像素的场景中。
b.函数二:
(1)函数原型:
CV_EXPORTS_W void adaptiveThreshold( InputArray src, OutputArray dst,
double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C );
(2)函数作用:
adaptiveThreshold
函数根据每个像素邻域的灰度值分布计算阈值,并将计算出的二值图像存储在输出数组中。
(3)参数:
InputArray src
:输入的 8 位单通道灰度图像。OutputArray dst
:输出的二值图像,与输入图像src
具有相同的大小和类型。double maxValue
:当条件满足时分配给像素的非零值。int adaptiveMethod
:使用的自适应阈值算法,见AdaptiveThresholdTypes
枚举。int thresholdType
:阈值类型,必须是THRESH_BINARY
或THRESH_BINARY_INV
,见ThresholdTypes
枚举。int blockSize
:用于计算每个像素阈值的像素邻域大小,例如 3、5、7 等。double C
:从邻域的平均值或加权平均值中减去的常数。通常为正数,但也可以是零或负数。
(4)自适应阈值计算:
阈值 T(x, y)
是针对每个像素单独计算的,根据所选的自适应方法(adaptiveMethod
)。
(5)阈值公式:
- 对于
THRESH_BINARY
类型,如果src(x, y)
大于T(x, y)
,则dst(x, y)
设置为maxValue
,否则设置为 0。 - 对于
THRESH_BINARY_INV
类型,如果src(x, y)
大于T(x, y)
,则dst(x, y)
设置为 0,否则设置为maxValue
。
(6)边界处理:使用 BORDER_REPLICATE | BORDER_ISOLATED
对边界进行处理。
(7)应用场景:
自适应阈值方法适用于光照不均或对比度变化较大的图像,可以更好地处理图像中的局部变化。
三、二值化的几种方法:
(1)全局二值化方法:
全局二值化方法使用单一阈值对所有像素进行分割。这种方法适用于直方图具有双峰性的图像,即前景和背景在直方图中形成两个明显的峰值。
实现过程:
- 计算图像的灰度直方图。
- 确定直方图的双峰,找到两个峰值之间的谷底作为分割阈值。
代码示例:
#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
//读取图片并转化为灰度图
Mat srcMat = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png", 0);
//判断图片是否提取成功
if (srcMat.empty())
{
cout << "fail to read !" << endl;
return 0;
}
//定义Globalbinarization存放图像
Mat Globalbinarization;
//全局二值化方法,当前点值大于阈值时,取l,否则设置为0
threshold(srcMat, Globalbinarization, 200, 255, CV_THRESH_BINARY);
//显示结果图像
imshow("Global binarization", Globalbinarization);
waitKey(0);
destroyAllWindows();//关闭所有窗口
return 0;
}
运行结果:
(2)大津法(Otsu's method):
大津法是一种自动确定阈值的方法,它通过最大化类间方差来确定最佳阈值。
实现过程:
- 计算图像的灰度直方图。
- 遍历所有可能的阈值,对于每个阈值,计算前景和背景的均值和方差。
- 选择使类间方差最大化的阈值作为分割阈值。
代码示例:
#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
//读取图片并转化为灰度图
Mat srcMat = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png", 0);
//判断图片是否提取成功
if (srcMat.empty())
{
cout << "fail to read !" << endl;
return 0;
}
//定义Otsumethod存放图像
Mat Otsumethod;
//大津法,通过大津法求出最佳阈值,大于阈值置255,小于置0
threshold(srcMat, Otsumethod, 100, 255, CV_THRESH_OTSU);
//显示结果图像
imshow("Otsumethod", Otsumethod);
waitKey(0);
destroyAllWindows();//关闭所有窗口
return 0;
}
运行结果:
(3)区域自适应二值化:
区域自适应二值化考虑局部区域的灰度特性来计算自适应阈值。
实现过程:
- 选择一个局部区域的尺寸,例如3x3、5x5或7x7。
- 对于图像中的每个像素,考虑其周围的局部区域。
- 根据局部区域内的灰度分布计算自适应阈值,可以使用均值、高斯加权和等方法。
代码示例:
#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
//读取图片并转化为灰度图
Mat srcMat = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png", 0);
//判断图片是否提取成功
if (srcMat.empty())
{
cout << "fail to read !" << endl;
return 0;
}
//定义Rdb存放图像
Mat Rdb;
//区域自适应二值化,适合对那些光照不均的图片进行二值化,因为它的二值化阈值是自适应的
adaptiveThreshold(srcMat, Rdb, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 15, 10);
//显示结果图像
imshow("Rdb", Rdb);
waitKey(0);
destroyAllWindows();//关闭所有窗口
return 0;
}
运行结果:
(4)迭代法实现
迭代法是一种动态确定阈值的方法,通过不断更新阈值直到满足停止条件。
实现过程:
- 从一个初始阈值开始,通常是图像灰度值范围的中间值。
- 根据阈值分割图像,计算前景和背景的均值。
- 更新阈值为前景和背景均值的平均值。
- 重复步骤2-3,直到阈值变化小于某个预设的精度或达到最大迭代次数。
示例代码:
#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
// 加载图像
Mat image = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png", IMREAD_GRAYSCALE);
if (image.empty()) {
cerr << "Could not open or find the image" << endl;
return -1;
}
// 初始化参数
double threshold1 = 128.0; // 初始阈值
double thresholdDelta = 1.0; // 阈值更新步长
int maxIterations = 100; // 最大迭代次数
// 迭代寻找最佳阈值
for (int i = 0; i < maxIterations; i++) {
// 创建二值化图像
Mat binaryImage;
threshold(image, binaryImage, threshold1, 255, THRESH_BINARY);
// 计算二值图像的像素和
int pixelSum = cv::sum(binaryImage)[0];
// 计算图像总像素数
int totalPixels = image.rows * image.cols;
// 计算新的阈值,这里使用简单的算术平均作为示例
double newThreshold = (threshold1 + (pixelSum / (double)totalPixels)) / 2;
// 如果阈值变化小于阈值更新步长,则停止迭代
if (abs(newThreshold - threshold1) < thresholdDelta) {
break;
}
// 更新阈值
threshold1 = newThreshold;
}
// 使用找到的阈值进行二值化
Mat finalBinaryImage;
threshold(image, finalBinaryImage, threshold1, 255, THRESH_BINARY);
// 显示结果
imshow("Original Image", image);
imshow("Binary Image", finalBinaryImage);
waitKey(0); // 等待用户按键后关闭窗口
return 0;
}
运行结果:
(5)Chow and Kaneko二值化算法 :
基于连通区域的局部自适应二值化方法,它首先将图像划分为多个子区域,然后对每个子区域中的连通区域进行分析,以确定最佳阈值,特别适合于前景和背景交错的图像。
实现过程:
-
图像预处理:首先将图像转换为灰度图像,如果需要的话,可以进行平滑处理以减少噪声的影响。
-
图像分割:将图像分割成多个小的非重叠子区域(或称为块)。
-
连通区域分析:在每个子区域内,寻找连通区域。连通区域是一组相邻的像素点,它们具有相同的灰度值。
-
确定目标区域:选择最大的连通区域作为目标区域,这个区域通常被认为是前景或背景。
-
计算灰度均值:计算目标区域的灰度均值。这个均值将作为该子区域的局部阈值。
-
二值化子区域:使用计算出的局部阈值对每个子区域进行二值化。如果子区域内的像素值高于局部阈值,则设置为白色(255);否则,设置为黑色(0)。
-
合并结果:将所有子区域的二值化结果合并,形成最终的二值化图像。
-
后处理(可选):根据需要,可以对二值化图像进行后处理,例如通过形态学操作来改善前景和背景的分离。
示例代码:
#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>
using namespace cv;
using namespace std;
// 函数用于执行Chow and Kaneko二值化算法
Mat chowKanekoThreshold(const Mat& src) {
Mat gray, binary;
cvtColor(src, gray, COLOR_BGR2GRAY); // 转换为灰度图像
binary = Mat::zeros(gray.size(), gray.type()); // 创建二值图像
int N = 1; // 连通区域的最小像素数
int K = 2; // 连通区域的扩展次数
imshow("gray", gray);
imshow("binary", binary); //二值图像全黑
vector<vector<Point>> contours;
vector<Vec4i> hierarchy;
// 寻找连通区域
findContours(gray.clone(), contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
for (size_t i = 0; i < contours.size(); i++) {
if (contours[i].size() >= N) {
// 计算连通区域的边界框
int x = 0, y = 0, width = 0, height = 0;
Rect boundingRect = cv::boundingRect(Mat(contours[i]));
x = boundingRect.x;
y = boundingRect.y;
width = boundingRect.width;
height = boundingRect.height;
// 扩展边界框
for (int k = 0; k < K; k++) {
x = max(0, x - 1);
y = max(0, y - 1);
width = min(gray.cols, width + 2);
height = min(gray.rows, height + 2);
}
// 计算扩展区域的均值
Mat region = gray(Rect(x, y, width, height));
double meanVal = mean(region)[0];
// 应用阈值
Mat regionBinary;
threshold(region, regionBinary, meanVal, 255, THRESH_BINARY);
// 将二值化结果合并到最终的二值图像中
regionBinary.copyTo(binary(Rect(x, y, width, height)));
}
}
return binary;
}
int main() {
utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
Mat image = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png");
if (image.empty()) {
cerr << "Could not open or find the image" << endl;
return -1;
}
Mat binaryImage = chowKanekoThreshold(image);
imshow("Original Image", image);
//imshow("gray", gray);
imshow("Binary Image", binaryImage);
waitKey(0);
return 0;
}
运行结果:
(6)其他方法:
示例代码:
#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/objdetect.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
Mat image, grayImage, binaryImage;
// 读取图像
image = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png");
if (image.empty()) {
cerr << "Could not open or find the image" << endl;
return -1;
}
// 转换为灰度图像(如果需要的话)
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// 定义子区域的大小
int block_size = 160; // 你可以根据需要调整这个值
// 初始化输出的二值图像
binaryImage = Mat::zeros(grayImage.size(), CV_8U);
// 遍历图像的每个子区域
for (int i = 0; i < grayImage.rows; i += block_size) {
for (int j = 0; j < grayImage.cols; j += block_size) {
// 定义子区域的边界
int row_end = min(i + block_size, grayImage.rows);
int col_end = min(j + block_size, grayImage.cols);
// 提取子区域
Mat block = grayImage(Rect(j, i, col_end - j, row_end - i));
// 计算子区域的均值
double mean = cv::mean(block)[0];
// 将均值作为子区域的阈值
Mat binaryBlock;
threshold(block, binaryBlock, mean, 255, THRESH_BINARY);
// 将二值化子区域复制到输出图像中
binaryBlock.copyTo(binaryImage(Rect(j, i, col_end - j, row_end - i)));
}
}
// 显示结果
imshow("Original Image", image);
imshow("Binary Image", binaryImage);
waitKey(0); // 等待用户按键后关闭窗口
return 0;
}
运行结果: