OpenCV阈值操作(Threshold，AdaptiveThreshold)

在讲阈值操作方法之前，肯定是先讲下阈值分割的作用
阈值分割其实就是图像分离，对于阈值内的你想如何操作，一个最简单的例子就是二值图像。

接下来我们看下方法吧：
threshold —— 简单的阈值操作
adaptiveThreshold —— 自适应阈值操作

threshold参数说明：
def threshold(src, thresh, maxval, type, dst=None)

thresh：Double类型的，具体的阈值。
maxval：Double类型的，阈值的最大值

type:
THRESH_BINARY 二进制阈值化 -> 大于阈值为1 小于阈值为0
THRESH_BINARY_INV 反二进制阈值化 -> 大于阈值为0 小于阈值为1
THRESH_TRUNC 截断阈值化 -> 大于阈值为阈值，小于阈值不变
THRESH_TOZERO 阈值化为0 -> 大于阈值的不变，小于阈值的全为0
THRESH_TOZERO_INV 反阈值化为0 -> 大于阈值为0，小于阈值不变

在本实验中，我还是采用了使用进度条来调节当前阈值的操作，最大阈值设定为255，得到的实验结果如下：

当阈值为0的时候 看下图像，可以对比上面的总结，窗口名称我用type较少Thresh来命名

当阈值为130的时候，看图像如下所示：

当阈值为255时候的图像：

一些极端的数值我在这里测试过了，大家可以根据图像和上面的定义做个对比来得出自己的结论，我在这里就不做总结了。 代码如下：

import cv2

img = cv2.imread("C:/Users/DELL/Desktop/img2.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

gauss = cv2.GaussianBlur(gray, (3, 3), 1)

maxvalue = 255

def onthreshold(x):
    value = cv2.getTrackbarPos("value", "Threshold")
    a, binary = cv2.threshold(gauss, value, maxvalue, cv2.THRESH_BINARY)
    b, binary_inv = cv2.threshold(gauss, value, maxvalue, cv2.THRESH_BINARY_INV)
    c, trunc = cv2.threshold(gauss, value, maxvalue, cv2.THRESH_TRUNC)
    d, to_zero = cv2.threshold(gauss, value, maxvalue, cv2.THRESH_TOZERO)
    e, to_zero_inv = cv2.threshold(gauss, value, maxvalue, cv2.THRESH_TOZERO_INV)
    if(a):
        cv2.imshow("Binary", binary)
    if(b):
        cv2.imshow("Binary_INV", binary_inv)
    if(c):
        cv2.imshow("TRUNC", trunc)
    if(d):
        cv2.imshow("TO_ZERO", to_zero)
    if(e):
        cv2.imshow("TO_ZERO_INV", to_zero_inv)


cv2.namedWindow("Threshold")

cv2.createTrackbar("value", "Threshold", 0, 255, onthreshold)

cv2.imshow("Threshold", img)

cv2.waitKey(0)

在这个方法里我要讲下，你会发现方法前面有两个参数，原因是当你进入Pycharm的方法声明中，里面是这样给你实列的：

 threshold(src, thresh, maxval, type[, dst]) -> retval, dst

第一个retval是你的方法是否执行成功，dst是目标图像，上面懒得起名字，所以用a,b,c,d,e来代表的对应方法的Bool值。

接下来讲下adaptiveThreshold的参数：
def adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C,dst=None)

maxval：Double类型的，阈值的最大值
adaptiveMethod：Int类型的，这里有两种选择
1 —— ADAPTIVE_THRESH_MEAN_C（通过平均的方法取得平均值）
2 —— ADAPTIVE_THRESH_GAUSSIAN_C(通过高斯取得高斯值)
不过这两种方法最后得到的结果要减掉参数里面的C值

thresholdType：Int类型的，方法如下：
THRESH_BINARY 二进制阈值化 -> 大于阈值为1 小于阈值为0
THRESH_BINARY_INV 反二进制阈值化 -> 大于阈值为0 小于阈值为1
THRESH_TRUNC 截断阈值化 -> 大于阈值为阈值，小于阈值不变
THRESH_TOZERO 阈值化为0 -> 大于阈值的不变，小于阈值的全为0
THRESH_TOZERO_INV 反阈值化为0 -> 大于阈值为0，小于阈值不变
blockSize：Int类型的，这个值来决定像素的邻域块有多大。
注意：这里的blockSize的值要为奇数，否则会给出这样的提示：
Assertion failed (blockSize % 2 == 1 && blockSize > 1) in cv::adaptiveThreshold
C：偏移值调整量，计算adaptiveMethod用到的参数。

实验中，我阈值的type选择第一种，来演示这两种方式得出的结果
当blockSize的值比较小的时候，两种方法得到的结果的差异不是很大

当blockSize的值比较大的时候，就会发现，平均的这种会将整体的轮廓加深的程度大于高斯
直接看图：

我图片上虽然显示的blockSize为10，不过我在程序里面做了判断，当为偶数的情况，就让它+1变成奇数。

代码如下：

import cv2

img = cv2.imread("C:/Users/DELL/Desktop/img2.jpg")

gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

gauss = cv2.GaussianBlur(gray, (3, 3), 1)

maxvalue = 255

def onaptivethreshold(x):
    value = cv2.getTrackbarPos("value", "Threshold")
    if(value < 3):
        value = 3
    if(value % 2 == 0):
        value = value + 1
    args = cv2.adaptiveThreshold(gauss, maxvalue, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, value, 1)
    gaus = cv2.adaptiveThreshold(gauss, maxvalue, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, value, 1)
    cv2.imshow("Args", args)
    cv2.imshow("Gaus", gaus)

cv2.namedWindow("Threshold")

cv2.createTrackbar("value", "Threshold", 0, 10, onaptivethreshold)

cv2.imshow("Threshold", img)

cv2.waitKey(0)