OpenCV学习笔记10 - 阈值分割

1. 简单阈值
2. 自适应阈值
3. Otsu’s 二值化

---

1.简单阈值

思想：按照灰度和阈值的大小关系，赋两个不同的灰度值。当像素值高于阈值时，我们给这个像素赋予一个新值（eg:白色），否则我们给它赋予另外一种颜色（eg:黑色）

cv2.threshold(src, thresh, maxval, type[, dst]) -> retval, dst

(1) src是原图像，这里它应该是一个灰度图像；
(2) thresh是用于分割的阈值；
(3) 当像素值高于（有时是小于）阈值时应该被赋予的新的像素值；
(4) dst是取阈值的方式:
① cv2.THRESH_BINARY : 二值阈值化
② cv2.THRESH_BINARY_INV：反向二值阈值化
③ cv2.THRESH_TRUNC：超过阈值被置为255
④ cv2.THRESH_TOZERO：低于阈值被置为0
⑤ cv2.THRESH_TOZERO_INV：超过阈值被置为0

---

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

img = cv2.imread('1.png',0)
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()

---

2.自适应阈值

*简单阈值使用是全局阈值，整幅图像采用同一个数作为阈值。
*当一幅图像上的不同部分的具有不同亮度时，需要采用自适应阈值。此时的阈值是根据图像上每个小区域计算与其对应的阈值，同一幅图像上不同区域采用不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

(1) src是输入图像，灰度图像；
(2) maxValue是阈值操作之后的最大灰度值；
(3) adaptiveMethod指阈值的计算方法：
① cv2.ADAPTIVE_THRESH_MEAN_C : 阈值是邻域的均值；
② cv2.ADAPTIVE_THRESH_GAUSSIAN_C : 阈值时邻域灰度值的加权均值，权重来自一个高斯窗函数。
(4) thresholdType 同threshold；
(5) C是一个常数，阈值等于均值或者加权均值减去C；

---

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

img = cv2.imread('1.png', 0)
img = cv2.medianBlur(img, 5)  #中值滤波

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

---

---

3.Otsu’s阈值处理

Otsu’s阈值处理对于直方图是双峰的图像特别有效，会自动在双峰之间寻找最适合的阈值来进行分割。

*所用函数还是 cv2.threshold()，这里要把阈值设为0，同时需要多传入一个参数： cv2.THRESH_OTSU。算法会找到最优阈值，返回给 retVal。
*如果不使用 Otsu 二值化，返回的retVal 值与设定的阈值相等。

cv2.threshold(src, 0, maxval, type+cv2.THRESH_OTSU) -> retval, dst

---

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

img = cv2.imread('otus.png', 0)
ret, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

images = [img, 0, thresh, 0]
titles = ['Original Image', 'Histogram', 'Otsu', 'Histogram']

plt.figure(figsize=(10,10))   #设置plt绘图的大小

for i in range(2):
    plt.subplot(3,2,2*i+1)
    plt.imshow(images[i*2],'gray')
    plt.title(titles[i*2])
    plt.xticks([]), plt.yticks([])

    #ravel将多维转化为一维，256表示hist分为256个级别（Bins）
    plt.subplot(3,2,2*i+2)
    plt.hist(images[i*2].ravel(),256)
    plt.title(titles[i*2+1])
    plt.xticks([]), plt.yticks([])

plt.show()

---

---