【计算机视觉（7）】

阈值处理

阈值是图像处理中非常重要的概念，可以把阈值看作是图像的标准线，像素值与这条“标准线”进行比较，最后得到3种结果：像素值比阈值大、像素值比阈值小或像素值等于阈值。

全局阈值处理

ret, image = cv2.threshold(src, thresh, maxval,type)
参数：
src：被处理的图像，可以是多通道图像。
thresh：阈值，阈值在125～150取值的效果最好。
maxval：阈值处理采用的最大值。
type：全局化阈值处理的方法。常用方法如下：
cv2.THRESH_BINARY：二值化阈值处理，大于阈值的像素点的灰度值设定为maxValue(如8 位灰度值最大为255)，灰度值小于阈值的像素点的灰度值设定为0。
cv2.THRESH_BINARY_INV：反二值化阈值处理，大于阈值的像素点的灰度值设定为0，而小于该阈值的设定为maxValue。
cv2.THRESH_TRUNC：截断阈值处理，像素点大于阈值的像素点就设定为该阈值,否则不变。
cv2.THRESH_TOZERO：低于阈值零处理，像素点大于该阈值的部分不变，否则为0。
cv2.THRESH_TOZERO_INV：超出阈值零处理，像素点小于该阈值的部分不变，否则为0。

局部阈值处理

ret, image = cv2.threshold(src, thresh, maxval, type)
参数：
src：被处理的图像。需要注意的是，该图像需是灰度图像。
maxValue：阈值处理采用的最大值。
adaptive_Method：自适应阈值的计算方法。
自适应阈值计算方法：CV_ADAPTIVE_THRESH_MEAN_C 均值滤波
CV_ADAPTIVE_THRESH_GAUSSIAN_C 高斯滤波
hreshold_Type：阈值处理类型；需要注意的是，阈值处理类型需是cv2.THRESH_BINARY（二值化）或cv2.THRESH_BINARY_INV（反二值化）中的一个。
block_Size：一个正方形区域的大小。例如，5指的是5×5的区域。
param：常量。阈值等于均值或者加权值减去这个常量。

图片阈值处理的代码实现

全局阈值处理的代码：

import cv2                     
import matplotlib.pyplot as plt
  
image = cv2.imread("img/300.jpg")     
img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 灰度化  
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) # 二值化  
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV) # 反二值化  
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC) # 截断阈值处理  
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO) # 低于阈值处理  
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV) # 超出阈值处理  
  
titles = ["original", "BINARY", "BINARY_INV", "TRUNC", "TOZERO", "TOZERO_INV"]  
images = [image, 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.show()  

代码实现效果如下：

局部阈值处理的代码：

import cv2  
import numpy as np     
    
image = cv2.imread("img/300.jpg") # 导入图片
image = cv2.resize(image,(500,500))   
img_gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)  
ret, Otsu_thresh_img = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) # Otsu寻找最佳阈值进行二值化  
adaptive_thresh_img = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 5) # 均值滤波进行局部阈值化处理  

res = np.hstack((Otsu_thresh_img, adaptive_thresh_img))  

cv2.imshow("res", res)  
cv2.waitKey(0)  
cv2.destroyAllWindows() 

代码实现效果如下：