图像阈值

0 引

图像阈值，即图像的分割基准，基于此可完成图像的二值化。图像二值化可用于OCR成图像的分割（也是最为简单的一种）。这种分割是基于图像像素值级别的差异，且一般的对象是灰度图像。

1 图像二值化

如上所述，图像阈值的进一步处理就是二值化，二值化包含但不限于“大于阈值为255，小于阈值为0”的处理模式。具体如下所示。其实个人理解这些方法只是提供了一种在处理图像时的思路，并不一定要死记住方法的名字。

为了更好解释，假设待处理图像的直方图如下。

1.1二进制阈值化

1.2反二进制阈值化

1.3截段阈值化

1.4阈值化0

1.5 反阈值化0

2 OpenCV API

       double cvThreshold( const void* srcarr, void*dstarr, double thresh, double maxval, int type );

       srcarr源数组，dstarr为目标数组，thresh为阈值，maxval为欲设最大值，type为阈值处理的类型，有如下几种：

CV_THRESH_BINARY，表示dsti=(srci>T)?M:0。

CV_THRESH_BINARY_INV，表示dsti=(srci>T)?0:M。

CV_THRESH_TRUNC，表示dsti=(srci>T)?M:srci。

CV_THRESH_TOZERO_INV，表示dsti=(srci>T)?0:srci。

CV_THRESH_TOZERO，表示dsti=(srci>T)?srci:0。

另外，type值还有两个选择，可以指定thresh值，此时传入参数thresh不会起作用。

       CV_THRESH_OTSU        使用大津法选择最优的thresh；

       CV_THRESH_TRIANGLE 使用三角法确定thresh；

3 阈值的选择

       上文中介绍API的同时，也介绍了两种算法确定的thresh：大津法和三角法。

3.1 大津法

大津法又称为最大类间方差法。优点计算简单且不受亮度和对比度的影响。算法的基本思想是找到的阈值满足low（即低于选择的阈值）部分与high（即高于阈值部分）的类方差是最大的。

类方差是一个新概念，在正式解释之前先补充另外一个在算法中使用的概念即前景与后景，前景与后景是根据阈值区分的，即上述的low部分与high部分，至于哪个是前景哪个是后景，需要根据图像的特征确定（例如黑背景白字的图片，那么前景就是指high部分的白字）。

假设图像背景是黑色时，且分辨率为M*N，阈值为T，记小于T的像素个数为N0且其平均灰度为μ0，大于的个数记为N1且其平均灰度为μ1，则类方差g的计算公式如下。

ω0=N0/ M×N (1)

ω1=N1/ M×N (2)

N0+N1=M×N (3)

ω0+ω1=1 (4)

μ=ω0*μ0+ω1*μ1 (5)

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)

将式(5)代入式(6),得到等价公式:
　　 g=ω0ω1(μ0-μ1)^2 　　 (7)　这就是类间方差

而OTSU算法则是找到使类间方差最大的像素值，作为阈值。代码演示如下。

int GetOTUSThresh(cv::Matimg) {   assert(img.channels() == 1);   int gray_cnt[256] = { 0 };   // stastics   for (inti = 0; i < img.rows; i++) {     for (intj = 0; j < img.cols; j++) {       gray_cnt[img.at<unsignedchar>(i, j)]++;     }   }   // otus   double max_delta = 0.0;   double delta;   int thresh;   double weight_l, weight_h;   double u_l, u_h, u;   int cnt_l, cnt_h;   for (inti = 0; i < 256; i++) {     cnt_l = cnt_h = 0;     u_l = u_h = 0.0;     for (intj = 0; j < 256; j++) {       if (j <i) {         cnt_l += gray_cnt[j];         u_l += j * gray_cnt[j];       }       else {         cnt_h += gray_cnt[j];         u_h += j*gray_cnt[j];       }     }     u_l = u_l / cnt_l;     u_h = u_h / cnt_h;     weight_l = (double)cnt_l / (img.rows*img.cols); weight_h = 1 - weight_l; delta = weight_h*weight_l*(u_h -u_l)*(u_h - u_l);     if (delta >max_delta) {       max_delta =delta;       thresh = i;     }   }   return thresh; }

3.2 三角法

4 自适应图像阈值

       所谓自适应，即将图像分为若干个大小相同的block，每个block的阈值会根据周围局部像素值动态改变待比较的阈值。这样做的好处是亮处较亮的地方二值化阈值通常较高，而亮度较低的则更低，对噪声不会那么敏感。具体的分为两种方法，局部邻域块的均值和局部邻域块的高斯加权和。事实上对于成像效果不好的图，往往自适应阈值法更加适用。

       OPENCV中的API

       void adaptiveThreshold(InputArray src,OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double param)

       参数 adaptiveMethod：采用的算法两个取值ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C分别对应局部邻域块的均值和局部邻域块的高斯加权和。

       参数param：引入的微调参数，最终的阈值等于通过adpativeMethod得到的值与param的差值，也可以负数。

5 参考

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/threshold/threshold.html