OpenCV：06阈值与形态学

形态学概述morphology

什么是形态学？

• 指一系列处理图像形状特征的图像处理技术
• 形态学的基本思想是利用一种特殊的结构元（本质上就是卷积核，该卷积核只有0和1两个数字），通过0和1来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别
• 这些处理方法基本是对二进制图像的处理，即黑白图像
• 卷积核决定着图像处理后的效果
• 形态学基本操作有：
  • 膨胀和腐蚀
  • 开运算
  • 闭运算
  • 顶帽
  • 黑帽

通俗地说，你想要获取图像中的任何部分（噪声、图形、轮廓…）形态学都能满足，这就是它的魅力

图像的全局二值化

二值化：将图像的每个像素变成两种值，比如0，255（0是黑色，255是白色）

二值化本质：对整个图片进行统一操作，即人为设置一个阈值，大于这个值的像素点赋一个值，小于这个值的像素点赋另一个值

关键API：cv2.threshold(src, thresh, maxval, type[, dst])
其中：
二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

• src：进行全局二值化的图片最好不要是多通道的彩色图片，最好是灰度图

• thresh：阈值，作用于下方的type操作类型的判断条件

• maxval：最大值，不一定是255（但我们常设置为255）

• type：操作类型，常见操作类型如下
  
  THRESH_BINARY：当该点像素大于人为设置的阈值thresh，则该点的像素值被赋值为最大值maxval；当该点的像素值小于阈值thresh（otherwise条件下），则赋值为0

  THRESH_BINARY_INV：INV表示invert（反转）的意思，当该点像素小于人为设置的阈值thresh，则该点的像素值被赋值为最大值maxval；当该点的像素值大于阈值thresh（otherwise条件下），则赋值为0

  THRESH_TRUNC：TRUNC表示truncate，有将数字截尾取整的意思（夹断），当该点像素大于人为设置的阈值thresh，则该点的像素值统一被赋值为阈值thresh；当该点的像素值小于阈值thresh（otherwise条件下），则像素值还是其本身src(x,y)

  THRESH_TOZERO：当该点像素大于人为设置的阈值thresh，则该点的像素值还是其本身src(x,y)；当该点的像素值小于阈值thresh（otherwise条件下），则赋值为0

  THRESH_TOZERO_INV：当该点像素大于人为设置的阈值thresh，则赋值为0；当该点的像素值小于阈值thresh（otherwise条件下），则该点的像素值还是其本身src(x,y)

# 全局二值化

import cv2
import numpy as np

# 导入图片
img = cv2.imread('./cat.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,dst = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响


# 展示
# cv2.imshow('dst',dst)
cv2.imshow('img and dst ',np.hstack((gray,dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

左边的灰度图的值在0-255，即可以有128、254、222…这些值；而右边的黑白图只有0和255两个值，任取一个像素点不是0就是255

我们可以不断调整阈值大小来美化图片

---

自适应阈值二值化

我们可以发现上一个方法还是不太好，调了半天阈值，想要的东西都显示不出来。我们需要一个更灵活的阈值，能够根据当前的区域去自己计算出一个阈值，这就是我们的——自适应阈值

在前面的部分我们采用的是全局阈值，整幅图像采用同一个数作为阈值。当然这种方法并不适用于所有情况，尤其是当同一幅图像上的不同地方具有不同亮度时，这种情况我们需要采取自适应阈值。此时的阈值是根据图像上的每一个小区域计算对应的阈值。因此在同一幅图像的不同区域采取的是不同的阈值，从而我们能够在亮度不同的情况下得到更好的结果

关键API：cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

这种方法需要指定6个参数，返回值只有一个
其中

• src：操作的图像
• maxValue：最大值，一般写为255
• adaptiveMethod：自适应的方法，常用的两种
  • cv2.ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值，类似我们的卷积操作，效果一般般，不如下面的高斯方法
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值取相邻区域的加权和，越靠近中心区域的点权重越大，权重是一个高斯窗口
• thresholdType：阈值类型，和上面的type一模一样
• blockSize：卷积核的大小，写一个数字就可以了（不用写元组）
• C：一个常数，阈值就等于平均值或者加权平均值加上这个常数

例子1：

# 全局二值化

import cv2
import numpy as np

# 导入图片
img = cv2.imread('./dog.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 进行二值化操作（注意！自适应二值化只有一个返回值：阈值）
dst = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

# 展示
cv2.imshow('dst',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

可以很清楚地看到🐕脖子上的钥匙（有个轮廓）

例子2：更具代表性的例子
我们的目标是看清楚这张图中的题目：由于光线的问题，拍出来上半部分亮度高一点，下半部分暗一点。如果使用全局二值化，效果非常差；我们选用自适应二值化

先看看全局二值化的效果：

thresh,dst = cv2.threshold(gray,200,255,cv2.THRESH_BINARY)我们可以通过调小阈值，使得图片更加清晰

thresh,dst = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)

我们发现全局二值化对光线不好的地方效果不太好，尽管可以通过调整阈值改进，但效果始终不如自适应阈值二值化！

# 全局二值化 更具有代表性的例子

import cv2
import numpy as np

# 导入图片
img = cv2.imread('./math.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 进行二值化操作（注意！自适应二值化只有一个返回值：阈值）
dst = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

# 展示
cv2.imshow('dst',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

如果我们想要把背景改成白色：只需要INV一下，把参数 thresholdType中的THRESH_BINARY改成THRESH_BINARY_INV即可

---

Otsu方法

上方的阈值127是我们自己设置的，而不是通过算法计算得到的。对于有些图像，当阈值被设置为127时，得到的效果并不好，这时就需要一个个地尝试，直到找到最合适的阈值

逐个寻找最合适的阈值不仅工作量大，而且效率低。为此，OpenCV提供了Otsu方法：能够遍历所有可能的阈值，从中找到最合适的阈值

Otsu方法的语法与cv2.threshold()方法的语法基本一致，只不过在为type传入参数时，要多传递一个参数，即cv2.THRESH_OTSU。cv2.THRESH_OTSU的作用就是实现Otsu方法的阈值处理。Otsu方法的语法如下：

关键API：retval,dst = cv2.threshold(src,thresh,maxval,type)

• src：进行全局二值化的图片最好不要是多通道的彩色图片，最好是灰度图
• thresh：阈值，要设置为0
• maxval：阈值处理采用的最大值，要设置为255
• type：阈值处理类型。除了在上方选择的阈值处理类型threshol