openCV之图像阈值

学习目标

• 学习简单阈值，自适应阈值和Otsu阈值。
• 你将学习函数cv.threshold和cv.adaptiveThreshold

概念介绍

简单阈值、自适应阈值和Otsu阈值都是图像处理中常用的阈值分割方法，用于将图像分成背景和前景两部分。它们的基本原理和应用场景如下：

1. 简单阈值： 简单阈值是指使用固定的阈值来将图像分割为两部分。具体而言，根据选定的阈值，将图像中的像素值与阈值进行比较，根据比较结果将像素分为两类，一类大于阈值，另一类小于阈值。这种方法简单易行，适用于对对比度较为明显的图像进行分割。

2. 自适应阈值： 自适应阈值是指根据图像局部区域的像素值动态调整阈值的方法。它能够自动适应图像局部的光照变化和对比度变化，从而实现对不同区域的自适应分割。这种方法适用于光照不均匀或者对比度较低的图像分割任务。

3. Otsu阈值： Otsu阈值是一种基于最大类间方差的自适应阈值方法，用于寻找最佳的分割阈值。它通过最大化图像的类间方差，来确定最佳的分割阈值，从而实现自动化的图像分割。这种方法适用于需要自动寻找最佳阈值的图像分割任务，能够有效地处理复杂背景和噪声干扰的图像。

cv.threshold方法

函数 cv.threshold 用于对图像进行阈值分割处理，其中包括以下参数：

1. src：输入图像。
2. thresh：设定的阈值，用于将图像中的像素值与之比较。
3. maxval：当像素值超过阈值时所赋予的值。
4. type：阈值化操作的类型。

其中，type 参数是一个用于指定阈值化操作类型的标志。以下是 cv.threshold 函数中可用的备选值：

• cv.THRESH_BINARY：将大于阈值的像素值设定为 maxval，小于等于阈值的像素值设定为 0。
• cv.THRESH_BINARY_INV：将大于阈值的像素值设定为 0，小于等于阈值的像素值设定为 maxval。
• cv.THRESH_TRUNC：将大于阈值的像素值设定为阈值，小于等于阈值的像素值保持不变。
• cv.THRESH_TOZERO：将小于阈值的像素值设定为 0，大于等于阈值的像素值保持不变。
• cv.THRESH_TOZERO_INV：将大于阈值的像素值设定为 0，小于等于阈值的像素值保持不变。

这些不同类型的阈值化操作可根据具体的图像处理需求来选择，用于实现图像的分割、增强、提取和分析等任务。使用效果如下：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('gradient.png',0)
ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,thresh2 = cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,thresh3 = cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,thresh4 = cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,thresh5 = cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in xrange(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

cv.adaptive Threshold方法

函数 cv.adaptiveThreshold 用于对图像应用自适应阈值处理，其参数包括：

1. src：输入图像。
2. maxValue：当像素值超过阈值时所赋予的值。
3. adaptiveMethod：自适应阈值化的方法。
4. thresholdType：阈值化类型。
5. blockSize：用于计算阈值的像素邻域大小。
6. C：从平均值或加权平均值中减去的常数。

以下是函数中adaptiveMethod可用的备选值：

• cv.ADAPTIVE_THRESH_MEAN_C：表示阈值是邻域内的均值减去常数 C。
• cv.ADAPTIVE_THRESH_GAUSSIAN_C：表示阈值是邻域内的加权和减去常数 C，权重是一个高斯窗口。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

# 读取灰度图像
img = cv.imread('example.jpg', 0)

# 应用自适应阈值化操作
thresh1 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)
thresh2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)

# 显示原始图像和自适应阈值处理后的图像
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(132), plt.imshow(thresh1, cmap='gray'), plt.title('Mean Adaptive Thresholding')
plt.subplot(133), plt.imshow(thresh2, cmap='gray'), plt.title('Gaussian Adaptive Thresholding')
plt.show()

在这个示例中，我们读取了一幅灰度图像，并使用 cv.adaptiveThreshold 函数对图像应用了两种不同的自适应阈值化操作，分别是均值自适应阈值和高斯自适应阈值。然后，我们使用 Matplotlib 库来显示原始图像和应用自适应阈值处理后的图像。

下面图片比较了光照变化的图像的全局阈值和自适应阈值

Ostu二值化

在全局阈值化中，我们使用任意选择的值作为阈值。相反，Otsu的方法避免了必须选择一个值并自动确定它的情况。

考虑仅具有两个不同图像值的图像（双峰图像），其中直方图将仅包含两个峰。一个好的阈值应该在这两个值的中间。类似地，Otsu的方法从图像直方图中确定最佳全局阈值。

为此，使用了cv.threshold作为附加标志传递。阈值可以任意选择。然后，算法找到最佳阈值，该阈值作为第一输出返回。

查看以下示例。输入图像为噪点图像。在第一种情况下，采用值为127的全局阈值。在第二种情况下，直接采用Otsu阈值法。在第三种情况下，首先使用5x5高斯核对图像进行滤波以去除噪声，然后应用Otsu阈值处理。了解噪声滤波如何改善结果

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('noisy2.png',0)
# 全局阈值
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu阈值
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 高斯滤波后再采用Otsu阈值
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 绘制所有图像及其直方图
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
for i in xrange(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()

注意Otsu二值法使用时时在cv.threshold方法中的type区域添加cv.THRESH_OTSU

为什么otsu阈值是一种自动确定阈值的方式，但是调用的是cv.threshold？

虽然 Otsu's 二值化方法是一种自动确定阈值的方式，但是在 OpenCV 中，它是作为一种特定的阈值化方法被集成到了 `cv.threshold` 函数中。通过在 `cv.threshold` 函数中设置阈值类型为 `cv.THRESH_OTSU`，系统会自动计算并应用最优的阈值，从而实现自动化的二值化处理。

OpenCV 的 `cv.threshold` 函数提供了多种不同的阈值处理方式，包括全局阈值、自适应阈值和手动设置的阈值等。其中包括了 Otsu's 二值化方法，它是一种基于图像直方图分析的自动阈值选择方法，可以根据图像的像素分布特征来自动计算最佳的分割阈值。

通过将 Otsu's 二值化方法作为 `cv.threshold` 函数的一个参数来调用，可以方便地在图像处理过程中应用这种自适应的阈值化方法，实现自动化的图像分割和特征提取，提高图像处理和计算机视觉应用的准确性和稳定性。

应用场景

阈值处理在图像处理和计算机视觉中有许多重要的应用场景，其中一些主要的应用包括：

1. **图像分割：** 阈值处理可用于将图像分割为背景和前景两部分，从而实现图像中目标物体的分离和提取，用于目标检测和分割等应用。

2. **边缘检测：** 阈值处理可用于提取图像中的边缘信息，通过检测像素值的跳变或梯度变化来识别图像中的边缘轮廓，用于边缘检测和轮廓提取等任务。

3. **图像增强：** 阈值处理可用于增强图像的对比度和亮度，通过调整像素值的阈值来改善图像的质量和清晰度，用于图像增强和调整的应用。

4. **目标检测和识别：** 阈值处理可用于识别图像中的目标物体和特征点，通过设置适当的阈值来提取感兴趣区域和关键点，用于目标检测和特征提取等任务。

5. **图像分析和分类：** 阈值处理可用于图像分析和分类，通过比较像素值和阈值来进行图像的分类和识别，用于图像分类和模式识别等应用。

通过应用不同的阈值处理方法，可以实现对图像的分割、检测、增强和分析等操作，从而提高图像处理和计算机视觉应用的准确性和稳定性。选择适当的阈值处理方法取决于具体的图像特征和处理需求。