- 简单阈值
- 自适应阈值
- 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()