scikit-image 中用于图像分割的阈值算法

为了在 scikit-image 中使用阈值算法，我们以 Otsu 的二值化算法对测试图像进行阈值处理为例进行介绍。第一步是导入所需的包：

from skimage.filters import threshold_otsu

from skimage import img_as_ubyte

然后使用 scikit-image 应用 Otsu 的二值化算法：

加载图像

image = cv2.imread(‘example.png’)

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])

基于 otsu 方法的返回阈值

thresh = threshold_otsu(gray_image)

生成布尔数组：

binary = gray_image > thresh

转换为uint8数据类型

binary = img_as_ubyte(binary)

可视化

def show_img_with_matplotlib(color_img, title, pos):

img_RGB = color_img[:, :, ::-1]

ax = plt.subplot(2, 2, pos)

plt.imshow(img_RGB)

plt.title(title, fontsize=8)

plt.axis(‘off’)

def show_hist_with_matplotlib_gray(hist, title, pos, color, t=-1):

ax = plt.subplot(2, 2, pos)

plt.xlabel(“bins”)

plt.ylabel(“number of pixels”)

plt.xlim([0, 256])

plt.axvline(x=t, color=‘m’, linestyle=‘–’)

plt.plot(hist, color=color)

show_img_with_matplotlib(image, “image”, 1)

show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), “gray img”, 2)

show_hist_with_matplotlib_gray(hist, “grayscale histogram”, 3, ‘m’, thresh)

show_img_with_matplotlib(cv2.cvtColor(binary, cv2.COLOR_GRAY2BGR), “Otsu’s binarization (scikit-image)”, 4)

plt.show()

threshold_otsu(gray_image) 函数根据 Otsu 的二值化算法返回阈值。之后，使用此值构建二进制图像( dtype= bool )，最后应将其转换为 8 位无符号整数格式( dtype=uint8 )以进行可视化，使用img_as_ubyte() 函数完成转换过程。

程序输出如下图所示：

接下来，介绍下如何使用 scikit-image 中的一些其它阈值技术。

scikit-image 中的其他阈值技术

---

接下来，将对比 Otsu、triangle、Niblack 和 Sauvola 阈值技术进行阈值处理的不同效果。 Otsu 和 triangle 是全局阈值技术，而 Niblack 和 Sauvola 是局部阈值技术。当背景不均匀时，局部阈值技术则是更好的方法阈值处理方法。

同样的，第一步是导入所需的包：

from skimage.filters import threshold_otsu, threshold_triangle, threshold_niblack, threshold_sauvola

from skimage import img_as_ubyte

import cv2

import matplotlib.pyplot as plt

调用每个阈值方法( threshold_otsu()、threshold_niblack()、threshold_sauvola() 和 threshold_triangle() )，以使用 scikit-image 对比执行阈值操作：

Otsu

thresh_otsu = threshold_otsu(gray_image)

binary_otsu = gray_image > thresh_otsu

binary_otsu = img_as_ubyte(binary_otsu)

Niblack

thresh_niblack = threshold_niblack(gray_image, window_size=25, k=0.8)

binary_niblack = gray_image > thresh_niblack

binary_niblack = img_as_ubyte(binary_niblack)

Sauvola

thresh_sauvola = threshold_sauvola(gray_image, window_size=25)

binary_sauvola = gray_image > thresh_sauvola

binary_sauvola = img_as_ubyte(binary_sauvola)

triangle

thresh_triangle = threshold_triangle(gray_image)

binary_triangle = gray_image > thresh_triangle

binary_triangle = img_as_ubyte(binary_triangle)

程序输出如下图所示：

如上图所示，当图像不均匀时，局部阈值方法可以提供更好的结果。因此，可以将这些局部阈值方法应用于文本识别。

最后，我们了解一个更加有趣的阈值算法—— Multi-Otsu 阈值技术，其可用于将输入图像的像素分为多个不同的类别，每个类别根据图像内灰度的强度计算获得。

Multi-Otsu 根据所需类别的数量计算多个阈值，默认类数为3，此时将获得三个类别，算法返回两个阈值，由直方图中的红线表示。

import matplotlib

import numpy as np

import cv2

from skimage import data

from skimage.filters import threshold_multiotsu

image = cv2.imread(‘8.png’)

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

使用默认值调用 threshold_multiotsu()

thresholds = threshold_multiotsu(image)

regions = np.digitize(image, bins=thresholds)

def show_img_with_matplotlib(img, title, pos, cmap):

ax = plt.subplot(1, 3, pos)

plt.imshow(img, cmap=cmap)

plt.title(title, fontsize=8)

plt.axis(‘off’)

fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(10, 3.5))

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！