3-3 图像阈值处理—OpenCV-Python教程翻译

最新推荐文章于 2022-08-16 21:31:10 发布

冬日旭光

最新推荐文章于 2022-08-16 21:31:10 发布

阅读量707

点赞数

分类专栏：图像处理 OpenCV-Python教程翻译文章标签： openCV

图像处理 OpenCV-Python教程翻译专栏收录该内容

17 篇文章 0 订阅

订阅专栏

目标

学会使用简单的阈值处理，自适应阈值处理和Otsu阈值处理等
掌握函数: cv2.threshold, cv2.adaptiveThreshold等

简单阈值处理

首要要明确阈值处理是什么，其实可以很直白。如果像素值大于阈值，则将该像素值指定为一个值（或者白色），否则指定为另一个值（或者黑色）。使用函数cv2.threshold实现这个功能。

retval, dst = cv2.threshold(sre, thresh, maxval, type[, dst]) 第一个参数是源图像，必须是灰度图像；第二个参数是用于分类像素值的阈值。第三个参数是如果像素值大于（或者小于）阈值时指定值的最大值。函数获得两个输出，retval会在后面讲解，dst则是输出的阈值化图像。OpenCV提供了不同的阈值分割方法，通过第四个参数来定义函数种类，下面展示了一种不同类型的阈值化

cv2.THRESH_BINARY 二进制阈值化
cv2.THRESH_BINARY_INV 反二进制阈值化
cv2.THRESH_TRUNC 截断阈值化
cv2.THRESH_TOZERO 阈值化为0
cv2.THRESH_TOZERO_INV 反阈值化为0

下面的代码将展示不同种类的阈值化处理。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('image\\lena.bmp',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()

结果如下所示：

自适应阈值化

在上一节中，我们使用一个固定值作为阈值。但是在很多情况下这样并不是很好，比如在不同照明条件下获得的图像。因此，我们需要进行自适应阈值处理。这里算法会为图像的一个小区域计算阈值，因此，我们会在一副图像的不同区域获得不同的阈值，当一副图像有不同的照明环境时可以获得更好的结果。

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) 这个函数有三个特别的输入参数，只有一个输出参数。

Adaptive Method—确定如何计算阈值

cv2.ADAPTIVE_THRESH_MEAN_C：阈值为领域的平均值。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值为领域内像素值的权重和，其中权重由高斯窗确定。

Block Size — 确定领域大小

C — 用于除平均值或者加权平均值的常数。

下面的代码将对比固定阈值和自适应阈值对不同照明环境图像的处理结果

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('sudoku.png',0)
img = cv.medianBlur(img,5)
# 固定阈值
ret,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# 平均值自适应阈值
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,\
            cv.THRESH_BINARY,11,2)
# 高斯均值自适应阈值
th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,\
            cv.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()

结果如下所示，可以看出，自适应阈值化的效果要好很多。

Otsu二值化

在固定阈值化中，我们使用一个不变的值作为阈值，但是我们怎么知道这个值是好是坏呢？虽然我们可以通过试验和计算误差的方法评价。但是对于双峰图像（简单地说，双峰图像是一个直方图有两个尖峰的图像。）对于这种图像，我们可以简单的选取两个峰中间的一个值作为阈值，这个就是Otus二值化要做的事情。简单地说就是自动的从双峰图像的直方图中计算出一个合适的阈值。（对于非双峰图像，二值化将不准确。）

这里函数cv2.threshold()将使用一个额外的标志-cv2.THRESH_OTSU。阈值只要设置为0，然后算法会找到最优的阈值，并最为输出参数retVal返回。如果Otsu阈值没有使用，则返回我们指定的阈值。

下面的代码将对一个噪音图像进行处理，首先使用127作为阈值对图像进行阈值化，其次直接使用Otsu阈值化，最后先进行高斯滤波（高斯核为5×5矩阵）然后进行Otsu阈值化。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('noisy2.png',0)
# 固定阈值
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu阈值化
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 高斯过滤后Otsu阈值化
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 画出所有的图像及其直方图
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 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()

结果如下所示，通过直方图可见，高斯滤波让不是双峰图像变成了双峰图像，让图像可以更好的进行Otsu阈值化。

Otsu二值化如何工作？

这一节将展示如何使用Python实现Otsu二值化。因为我们处理的是双峰图像，因此Otsu算法是要试图找到一个阈值使得每一类中的值变化最小，满足下面的关系

其中：

可以通过下面的代码来实现Otsu算法：

img = cv.imread('noisy2.png',0)
blur = cv.GaussianBlur(img,(5,5),0)
# 归一化直方图，和计算分布函数
hist = cv.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]) # probabilities
    q1,q2 = Q[i],Q[255]-Q[i] # 类和的列数
    b1,b2 = np.hsplit(bins,[i]) # 权值
    # 计算平均值和变化值
    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
    # 计算函数最小值
    fn = v1*q1 + v2*q2
    if fn < fn_min:
        fn_min = fn
        thresh = i
# 通过OpenCV函数找到阈值，对比结果
ret, otsu = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
print( "{} {}".format(thresh,ret) )

参考资料

Digital Image Processing, Rafael C. Gonzalez