scikit-image 中用于图像分割的阈值算法(1)

---

我们已经在《OpenCV-Python实战（9）——OpenCV用于图像分割的阈值技术》中介绍了图像阈值技术，由于图像阈值技术是许多计算机视觉应用中的关键步骤，因此许多算法库中都包含阈值技术，其中就包括 scikit-image。 scikit-image 是用于图像处理的算法包，其详细介绍可以参考官方网站，由 scikit-image 操作的图像需要先转换为 NumPy 数组。

在本文中，我们将利用 scikit-image 实现阈值技术。如果还没有安装 scikit-image 库，首先需要使用以下命令安装 scikit-image：

pip install scikit-image

使用 scikit-image 进行阈值处理

---

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)

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，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、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 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。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、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。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！