图像阈值

                                         图像阈值

准备工作：

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

# 显示函数
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('chen3.jpg')

1.简单阈值

# 简单阈值
'''
res, dst = cv2.threshold(src, thresh, maxval, type)
res: 返回的结果
dst: 返回的输出图
src: 输入图，只能输入单通道图像，通常来说为灰度图
thresh: 阈值
maxval: 当像素超过了阈值（或小于阈值，根据type来决定），所赋予的值
type: 二值化操作的类型，包含以下5种类型：
cv2.THRESH_BINARY: 超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV: THRESH_BINARY的反转
cv2.THRESH_TRUNC:大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO: 大于阈值部分不改变，否则为0
cv2.THRESH_TOZERO_INV: THRESH_TOZERO的反转
# '''
chen3_img = cv2.imread('chen3.jpg', 0)
ret, thresh1 = cv2.threshold(chen3_img, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(chen3_img, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(chen3_img, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(chen3_img, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(chen3_img, 127, 255, cv2.THRESH_TOZERO_INV)
titles = ['Original Image', 'BINARY', 'BINARY_INV',
          'TRUNC', 'TOZERO', 'TOZERO_INV']
images =  [chen3_img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
    plt.subplot(231 + i), plt.imshow(images[i], 'gray'),  plt.title(titles[i])
    plt.xticks([]), plt.yticks([])  # 隐藏x轴y轴坐标
plt.show()

输出结果：

2.自适应阈值

# 自适应阈值
'''
在前面部分我们使用的是全局阈值，整副图像采用同一个数作为阈值。
当一个图像上的不同部分具有不同的亮度时，我们需要采用自适应阈值，此时
阈值是根据图像上的每一个小区域计算与其对应的阈值。在不同区域采用的是不同的
阈值，可以使我们在不同的亮度下得到很好的结果。
'''

'''
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, bolckSize,C)
src: 输入图像 单通道
maxValue: 预设满足条件的最大值
adaptiveMethod: 指定自适应阈值算法，可选择
   ADAPTIVE_THRESH_MEAN_C   局部邻域块的平均值 先求出块中的均值，再减去常数C
   ADAPTIVE_THRESH_GAUSSIAN_C  局部邻域块的高斯加权和
   先求出在区域中(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，再减去常数C
thresholdType: 指定阈值类型 可选择THRESH_BINARY或者THRESH_BINARY_INV两种
bolckSize: 表示邻域块的大小，用来计算区域阈值，一般选择3, 5, 7...等
C: 表示与算法有关的参数， 它是一个从均值或加权均值提取的常数，也可以是负数
'''
chen3_img = cv2.imread('chen3.jpg', 0)

ret, thresh1 = cv2.threshold(chen3_img, 127, 255, cv2.THRESH_BINARY)
thresh2 = cv2.adaptiveThreshold(chen3_img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
thresh3 = cv2.adaptiveThreshold(chen3_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['Original Image', 'Global Thresholding', 'Adaptive Mean Thresholding',
          'Adaptive Gaussian Thresholding']
images =  [chen3_img, thresh1, thresh2, thresh3]
for i in range(4):
    plt.subplot(231 + i), plt.imshow(images[i], 'gray'),  plt.title(titles[i])
    plt.xticks([]), plt.yticks([])  # 隐藏x轴y轴坐标
plt.show()

输出结果：

3.Otsu‘s 二值化

# Otsu‘s 二值化
'''
在使用全局阈值时，我们随便给一个数来做阈值，不能确定这个数的好坏。
简单来说，Otsu‘s 二值化 就是对一副双峰图像自动根据其直方图计算出
一个阈值。
'''
chen3_img = cv2.imread('chen3.jpg', 0)
ret, thresh1 = cv2.threshold(chen3_img, 50, 255, cv2.THRESH_BINARY)
# Otsu's thresholding
ret, thresh2 = cv2.threshold(chen3_img, 50, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
plt.subplot(221), plt.imshow(chen3_img, 'gray'), plt.title('chen3_img')
plt.subplot(222), plt.imshow(thresh1, 'gray'), plt.title('thresh1')
plt.subplot(223), plt.imshow(thresh2, 'gray'), plt.title('thresh2')
plt.show()

输出结果：