【图像处理】阈值分割

图像阈值分割

一、简介

阈值分割常用在灰度图像中，将灰度值以一定的阈值进行分割，分为0或者255，使图像的像素值只有0或者255（非黑即白）。由于不同物体的像素值不同，根据设置的阈值，将图像中的物体以像素级分割出来，有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。

二、二值化处理（全局阈值）

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。
常用的二值化处理格式选择：

# -*- coding:utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt 

img = cv2.imread('img.jpg')
#img --彩色图片
#阈值 这里将80 设置为阈值，大于80的全部变为后边给定的255，小于80的转为0
#最大值 255
#格式cv2.THRESH_BINARY   二值处理,
# ret，阈值；bin，二值处理后的图像
ret, thresh1 = cv2.threshold(img, 80, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img, 80, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img, 80, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img, 80, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img, 80, 255, cv2.THRESH_TOZERO_INV)
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
    plt.subplot(2,3, i+1)
    plt.imshow(images[i])
plt.suptitle('fixed threshold')
plt.show()

示例中使用的是原彩色图，二值化时将图片每个通道都进行了二值化处理。当使用灰度图片时，即可显示非黑即白的图片。

示例：

import cv2
import numpy as np
# 直接读取灰度图，没有其他色彩，阈值变换后只剩黑白。
img = cv2.imread('img.jpg', 0)
ret,bin = cv2.threshold(img,80,255,cv2.THRESH_BINARY)

原图：
效果图：

三、自适应阈值

当同一副图像需要不同部分需要不同的亮度时，全局阈值就不太适用了，这时需要使用到自适应阈值，自适应阈值会在图片中的不同区域计算不同的阈值，得到一个层次分明的图像。

代码示例：

# -*- coding:utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt 

#使用自动阈值时，只能使用单通道图片
img = cv2.imread('img.jpg',0)
# adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C,dst=None)
#maxValue：Double类型的，阈值的最大值
#adaptiveMethod：Int类型的，这里有两种选择
# 	ADAPTIVE_THRESH_MEAN_C（通过平均的方法取得平均值）
# 	ADAPTIVE_THRESH_GAUSSIAN_C(通过高斯取得高斯值)
# thresholdType：Int类型的，方法如下：
# 	THRESH_BINARY 二进制阈值化 -> 大于阈值为1 小于阈值为0
# 	THRESH_BINARY_INV 反二进制阈值化 -> 大于阈值为0 小于阈值为1
# 	THRESH_TRUNC 截断阈值化 -> 大于阈值为阈值，小于阈值不变
# 	THRESH_TOZERO 阈值化为0 -> 大于阈值的不变，小于阈值的全为0
# 	THRESH_TOZERO_INV 反阈值化为0 -> 大于阈值为0，小于阈值不变
#blockSize：Int类型的，这个值来决定像素的邻域块有多大。
# C：偏移值调整量，计算adaptiveMethod用到的参数。
thresh1 =cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,25,10)
thresh2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,25,10)
images = [img,thresh1,thresh2]

for i in range(3):
    plt.subplot(1,3, i+1)
    plt.imshow(images[i])
plt.show()

四、大津阈值法（Otsu’s Binarization）

大津阈值法是一种基于直方图的二值化方法，需要和全局阈值共同使用。

过程：

1. 计算图像直方图；
2. 设定一阈值，把直方图强度大于阈值的像素分成一组，把小于阈值的像素分成另外一组；
3. 分别计算两组内的偏移数，并把偏移数相加；
4. 把0~255依照顺序多为阈值，重复1-3的步骤，直到得到最小偏移数，其所对应的值即为结果阈值。

代码示例：

img = cv2.imread('img.jpg',0)
ret,thresh = cv2.threshold(img,80,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)