图像二值化

1、简单阈值

这种方法是二值化中比较简单的一种方法，可以理解为为图像指定一个阈值，高于这个值的像素为其赋一个新值，否则我们给他赋另一个值，例如我们可以将高于这个阈值的像素设为白色，低于这个阈值的像素设为黑色，我们要用的的函数是cv2.threshold（），这个函数有四个主要的参数：第一个是要操作的原图，注意，这里的原图必须为灰度图，第二个参数就是我们进行分类要设定的那个值，第三个参数是当某像素值高于阈值时应该被赋予的新值，第四个时阈值方法，主要有四个：

cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV

具体他们之间的不同如效果图所示

代码如下：

import cv2
import matplotlib.pyplot as plt


img=cv2.imread('images/test.jpg',0)


ret, thresh1 = cv2.threshold(img, 1, 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 = ['img', '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()

2、自适应阈值

所谓的自适应不再是简单的为整个图像指定一个固定的阈值，而是根据整个图像不同部分的不同亮度，在不同区域计算出不同的阈值，我们要用到

cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C)

src:原图像

maxValue：最大像素值

adaptiveMethod：计算阈值的方法

thresholdType：阈值方法

blockSize：计算区域的大小

C：常数项

计算阈值的方法主要有两个：
ADAPTIVE_THRESH_GAUSSIAN_C：阈值取自相邻区域的平均值
cv2.ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的加权和
阈值的算法就等于平均值或加权平均值减去常数C
代码如下：
import cv2
import  numpy as  np


img=cv2.imread('images/test.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

ret,threshold=(gray,200,255,cv2.THRESH_BINARY)
th2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
th3=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)

cv2.imshow('gray',threshold)
cv2.imshow('gray',th2)
cv2.imshow('th3',th3)

cv2.waitKey(0)
3、Ostu's 二值化