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:
-
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。
-
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。
-
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:
src
:输入图像。thresh
:设定的阈值,用于将图像中的像素值与之比较。maxval
:当像素值超过阈值时所赋予的值。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:
src
:输入图像。maxValue
:当像素值超过阈值时所赋予的值。adaptiveMethod
:自适应阈值化的方法。thresholdType
:阈值化类型。blockSize
:用于计算阈值的像素邻域大小。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。