Python+OpenCV图像处理（五）——图像阈值和二值化

---

系列文章
Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法
Python+OpenCV图像处理（二）——几何变换
Python+OpenCV图像处理（三）——彩色空间互换
Python+OpenCV图像处理（四）——图像滤波
Python+OpenCV图像处理（五）——图像阈值和二值化
Python+OpenCV图像处理（六）——边缘检测

---

五、图像阈值和二值化

5.1 简介

图像阈值化分割是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。

5.2 简单阈值

在这里，问题直截了当。对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数cv.threshold用于应用阈值。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了不同类型的阈值，这由函数的第四个参数给出。通过使用cv.THRESH_BINARY类型。所有简单的阈值类型为

对于图像阈值化分割，最简单的方法是，如果像素值高于阈值（TH），将其设为最大值，如果像素值低于阈值，则将其设为最小值。举个例子，对于像素值为0~255的图像，大于TH，设为255。小于TH，设为0。这种简单的方法也被称作二值化。在OpenCV中可以使用cv2.THRESH_BINARY实现。常用的简单阈值分割的原理图如下：

 

• 二值阈值化 —— 像素值大于阈值的设为最大值，小于阈值的设为最小值
• 反向二值阈值化 —— 像素值大于阈值的设为最小值，小于阈值的设为最大值
• 截断阈值化 —— 像素值大于阈值的设为阈值，小于阈值的保持原来的像素值
• 超过阈值被置0 —— 像素值大于阈值的置为0，小于阈值的保持原来的像素值
• 低于阈值被置0 —— 像素值大于阈值的保持原来的像素值，小于阈值的置为0

这几种简单阈值的方法对应OpenCV中的函数为：

• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

 

这些函数都有两个返回值，第一个返回值为使用的阈值，第二个就是阀值化之后的图像了。

实现

#%%

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

img = cv2.imread('lena.jpg',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