opencv教程（基于python）----图象阈值

关于图象阈值有简单阈值，自适应阈值，二值化。

简单阈值

对于简单阈值来说，这很简单。图像像素高于阈值时则赋予一个新值，不过原图像得是灰度图。这里用到的函数是cv2.threshhhold(src,threshold_value, max_BINARY_value,threshold_type)，第一个参数是
图；第二个参数是图象的阈值；第三个参数是设定的最大灰度值；第四个参数是像素不同于阈值时该赋予的参数情况， cv2.THRESH_BINARY会把参数二值化，高于阈值的归一，低于的归零，cv2.THRESH_BINARY_INV第一种情况的反作用， cv2.THRESH_TRUNC会把大于阈值的变成等于阈值，cv2.THRESH_TOZERO会把大于阈值的归零，cv2.THRESH_TOZERO_INV前面一种情况的反向操作。

---

import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('C:/Users/dell/Desktop/cos.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.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
titles=['original','binary','binary-inv','TRUNC','tozero','zozero-inv']
images=[img,thresh1,thresh2,thresh3,thresh4,thresh5]
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i])
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

---

下面这幅图显示了图像的简单阈值处理。

自适应阈值

接着是自适应阈值，她不同于简单阈值的全局化处理，自适应是把图象分成以几个小部分每个部分有不同的阈值。这适用的情况是图象的每部分亮度不同。
这里用到的主要函数是cv2.adaptiveThreshold(img,maxvalue,adaptive_method,threshold_type,block_size,param1)。来解读一下这个函数，img是输入图象；maxvalue是灰度的最大值；adaptive_method有两种类型cv2.ADAPTIVE_THRESH_MEAN_C和cv2.ADAPTIVE_THRESH_GAUSSIAN_C，前一种算法是求出块中均值然后减去param，后面一个是区域（x，y）周围的像素根据高斯函数按照他们离中心点的距离进行加权计算， 再减掉param；threshold_type只有二值化或者反向操作二值化；block_size，是计算阈值像素邻域大小，一般是奇数；param1与adaptive_method相对应可正可负。

---

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


img=cv2.imread('C:/Users/dell/Desktop/cos.jpg',0)
ret,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,7,2)
th3=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,7,2)
titles=['original','global threshold','adaptive mean','adaptive Gaussiaon']
images=[img,th1,th2,th3]
for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(images[i])
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

---

下面是自适应算法的例子，如果是有色差的图片效果可能会更显著一点。

Otus二值化

在全局阈值的我们只是随便给的一个数，很难有好的效果，这里的Otsu二值化操作可以给出最优解。这里用到的函数还是cv2.threshold()，但是要多传一个参数（flag）：cv2。THRESH_OTSU。这时把阈值设为0，算法会找到最优阈值，然后返回retVal，入股不用二值化，返回的retVal与设定的相等。

---

import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('C:/Users/dell/Desktop/cos.jpg',0)
ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
imgs=[img,0,th1,
      img,0,th2]
titles=['original image','histogram','global threshold',
        'original image','histogram','otsu threshold']

for i in range(2):
    plt.subplot(2,3,i*3+1),plt.imshow(img)
    plt.title(titles[i*3]),plt.xticks([]),plt.yticks([])
    plt.subplot(2,3,i*3+2),plt.hist(imgs[i*3].ravel(),256)
    plt.title(titles[i*3+1]),plt.xticks([]),plt.yticks([])
    plt.subplot(2,3,i*3+3),plt.imshow(imgs[i*3+2],'gray')
    plt.title(titles[i*3+2]),plt.xticks([]),plt.yticks([])
plt.show()

---

其实otus二值化更适合精细化操作，我这里是用的整个图象。