【OpenCV学习笔记16】- 图像阈值

最新推荐文章于 2024-01-31 16:01:39 发布

夜七天

最新推荐文章于 2024-01-31 16:01:39 发布

阅读量1.2k

点赞数 37

分类专栏： Python OpenCV 文章标签： opencv 学习笔记计算机视觉 python 人工智能

本文链接：https://blog.csdn.net/q664243624/article/details/135648527

版权

Python 同时被 2 个专栏收录

43 篇文章 1 订阅

订阅专栏

OpenCV

32 篇文章 2 订阅

订阅专栏

本文讲解了OpenCV中的图像处理技术，涉及简单阈值、自适应阈值和Otsu二值化，通过实例代码和原理阐述，帮助读者掌握关键概念。

摘要由CSDN通过智能技术生成

这是对于 OpenCV 官方文档中图像处理的学习笔记。学习笔记中会记录官方给出的例子，也会给出自己根据官方的例子完成的更改代码，同样彩蛋的实现也会结合多个知识点一起实现一些小功能，来帮助我们对学会的知识点进行结合应用。
如果有喜欢我笔记的请麻烦帮我关注、点赞、评论。谢谢诸位。

学习笔记：
学习笔记目录里面会收录我关于OpenCV系列学习笔记博文，大家如果有什么不懂的可以通过阅读我的学习笔记进行学习。
【OpenCV学习笔记】- 学习笔记目录

内容

你会学到简单阈值法，自适应阈值法，以及 Otsu 阈值法(俗称大津法)等。
你会学到如下函数：cv.threshold，cv.adaptiveThreshold 等。

简单阈值法

此方法是直截了当的。如果像素值大于阈值，则会被赋为一个值（可能为白色），否则会赋为另一个值（可能为黑色）。
使用的函数是 cv2.threshold。

第一个参数是源图像，它应该是灰度图像。
第二个参数是阈值，用于对像素值进行分类。
第三个参数是 maxval，它表示像素值大于（有时小于）阈值时要给定的值。

opencv 提供了不同类型的阈值，由函数的第四个参数决定。不同的类型有：

文档清楚地解释了每种类型的含义。请查看文档。

获得两个输出。第一个是 retval，稍后将解释。第二个输出是我们的阈值图像。
示例代码：

# 图像阈值
# 简单阈值法
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('../image/3.1-test.jpg', 0)
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

效果图：
在这里插入图片描述

注意: 绘制多个图像，我们使用 plt.subplot()函数。有关详细信息，请查看 Matplotlib 文档。

自适应阈值

在前一节中，我们使用一个全局变量作为阈值。但在图像在不同区域具有不同照明条件的条件下，这可能不是很好。在这种情况下，我们采用自适应阈值。在此，算法计算图像的一个小区域的阈值。因此，我们得到了同一图像不同区域的不同阈值，对于不同光照下的图像，得到了更好的结果。
cv2.adaptiveThreshold 它有三个“特殊”输入参数，只有一个输出参数。

Adaptive Method : 它决定如何计算阈值。
- cv2.ADAPTIVE_THRESH_MEAN_C 阈值是指邻近地区的平均值。
- cv2.ADAPTIVE_THRESH_GAUSSIAN_C 阈值是权重为高斯窗的邻域值的加权和。
Block Size : 它决定了计算阈值的窗口区域的大小。
C : 它只是一个常数，会从平均值或加权平均值中减去该值。

下面的代码比较了具有不同照明的图像的全局阈值和自适应阈值：

示例代码：

# 图像阈值
# 自适应阈值
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('../image/3.1-test.jpg', 0)
# 降噪
img = cv2.medianBlur(img, 5)
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
          'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]
for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

效果图：
在这里插入图片描述

Otsu 二值化

在第一部分中，我告诉过您有一个参数 retval。当我们进行 Otsu 二值化时，它的用途就来了。那是什么？

在全局阈值化中，我们使用一个任意的阈值，对吗？那么，我们如何知道我们选择的值是好的还是不好的呢？答案是，试错法。但是考虑一个双峰图像（简单来说，双峰图像是一个直方图有两个峰值的图像）。对于那个图像，我们可以近似地取这些峰值中间的一个值作为阈值，对吗？这就是 Otsu 二值化所做的。所以简单来说，它会自动从双峰图像的图像直方图中计算出阈值。（对于非双峰图像，二值化将不准确。）

为此，我们使用了 cv2.threshold 函数，但传递了一个额外的符号 cv2.THRESH_OTSU 。对于阈值，只需传入零。然后，该算法找到最佳阈值，并作为第二个输出返回 retval。如果不使用 otsu 阈值，则 retval 与你使用的阈值相同。

查看下面的示例。输入图像是噪声图像。在第一种情况下，我应用了值为 127 的全局阈值。在第二种情况下，我直接应用 otsu 阈值。在第三种情况下，我使用 5x5 高斯核过滤图像以去除噪声，然后应用 otsu 阈值。查看噪声过滤如何改进结果。

** 示例代码：**

# 图像阈值
# Otsu 二值化
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('../image/3.2.2-2.png', 0)
# 全局阈值
ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# Otsu阈值
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 经过高斯滤波的 Otsu 阈值
blur = cv2.GaussianBlur(img, (5, 5), 0)
ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 画出所有的图像和他们的直方图
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 range(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()

效果图：
在这里插入图片描述

Otsu 二值化原理

本节演示了 otsu 二值化的 python 实现，以展示它的实际工作原理。如果你不感兴趣，可以跳过这个。

由于我们使用的是双峰图像，因此 Otsu 的算法试图找到一个阈值（t），该阈值将由下式计算得到的类内加权方差最小化：
在这里插入图片描述
其中：

数学公式是计算两个分割区间内随机变量的均值（μ1(t)，μ2(t)）和方差（σ1²(t)，σ2²(t)）。这里P(i)代表的是从1到I的一个离散概率分布，t为分割点。

q1(t) 表示区间 [1, t] 内所有事件的概率之和。
q2(t) 表示区间 (t+1, I] 内所有事件的概率之和。
μ1(t) 是区间 [1, t] 内随机变量的加权平均数，权重为每个事件发生的概率。
μ2(t) 是区间 (t+1, I] 内随机变量的加权平均数，权重也为每个事件发生的概率。
σ1²(t) 是区间 [1, t] 内随机变量相对于其均值 μ1(t) 的方差，计算方法为各个事件偏离均值平方后乘以对应概率并求和。
σ2²(t) 是区间 (t+1, I] 内随机变量相对于其均值 μ2(t) 的方差，同样按照上述方法计算。

请注意，这些表达式假设了 P(i) 为非负且满足归一化条件：sum_{i=1}^{I} P(i) = 1。同时，在实际应用中，请确保分母 q1(t) 和 q2(t) 非零，以避免除以零的情况发生。

它实际上找到一个 T 值，它位于两个峰值之间，使得两个类的方差最小。它可以简单地在 python 中实现，如下所示：
示例代码：

# 图像阈值
# Otsu 二值化原理
import cv2
import numpy as np

img = cv2.imread('../image/3.1-test.jpg', 0)
blur = cv2.GaussianBlur(img, (5, 5), 0)
# 找到归一化直方图还有累计分布函数
hist = cv2.calcHist([blur], [0], None, [256], [0, 256])
hist_norm = hist.ravel() / hist.max()
Q = hist_norm.cumsum()
bins = np.arange(256)
fn_min = np.inf
thresh = -1
for i in range(1, 256):
    p1, p2 = np.hsplit(hist_norm, [i])  # 概率
    q1, q2 = Q[i], Q[255] - Q[i]  # 类别总和
    b1, b2 = np.hsplit(bins, [i])  # 权重
    # f 找到均值与方差
    m1, m2 = np.sum(p1 * b1) / q1, np.sum(p2 * b2) / q2
    v1, v2 = np.sum(((b1 - m1) ** 2) * p1) / q1, np.sum(((b2 - m2) ** 2) * p2) / q2
    # 计算最小函数
    fn = v1 * q1 + v2 * q2
    if fn < fn_min:
        fn_min = fn
        thresh = i
# 用 OpenCV 函数的 otsu'阈值
ret, otsu = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print("{} {}".format(thresh, ret))