1.简单阀值
cv2.threshold , cv2.adaptiveThreshold
当像素值高于阀值时,给这个像素赋予一个新值(可能是白色),否则我们给它赋予另外一种颜色(也许是黑色)。这个函数就是cv2.threshold()。该函数的第一个参数就是原图像,原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阀值,第三个参数就是当像素值高于(或者小于)阀值时,应该被赋予新的像素值。OpenCV提供了多种不同的阀值方法,这是有第四个参数来决定的。方法包括:
cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('yuhangyuan.png', 0)
ret, thresh_binary = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret, thresh_binaryInv = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret, thresh_trunc = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret, thresh_toZero = cv2.threshold(img,127,255, cv2.THRESH_TOZERO)
ret, thresh_toZero = cv2.threshold(img,127,255, cv2.THRESH_TOZERO)
ret, thresh_toZeroInv = cv2.threshold(img,127,255, cv2.THRESH_TOZERO_INV)
titles = ['original image','Binary','binary-inv','trunc','tozero','tozero-inv']
images = [img,thresh_binary,thresh_binaryInv,thresh_trunc,thresh_toZero,thresh_toZeroInv]
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()
cv2.namedWindow('thresh_trunc',cv2.WINDOW_NORMAL)
cv2.imshow('thresh_trunc',thresh_trunc)
cv2.waitKey(0)
示例:
2.自适应阀值
根据图像上的每一个小区域计算与其对应的阀值。因此在同一幅图像上的不同区域采用的是不同的阀值,使我们能在亮度不同的情况下得到更好的结果。
这种方法需要指定三个参数,返回值只有一个。
Adaptive Method 指定计算阀值的方法
-cv2.ADAPTIVE_THRESH_MEAN_C:阀值取自相邻区域的平均值
-cv2.ADAPTIVE_THRESH_GAUSSIAN_C:阀值取自相邻区域的加权和,权重为一个高斯窗口
Block Size 邻域大小(用来计算阀值的区域大小)
C是一个常数,阀值就等于的平均值或者加权平均值减去这个常数
Code:
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('yuhangyuan.png', 0)
#中值滤波
img = cv2.medianBlur(img,5)
ret , th_Binary = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
# 11为block size,2为C值
th_AdaptiveMean = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,2)
th_AdaptiveGussian = 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,th_Binary,th_AdaptiveMean,th_AdaptiveGussian]
for i in range(4):
cv2.namedWindow(titles[i],cv2.WINDOW_NORMAL)
cv2.imshow(titles[i],images[i])
cv2.waitKey(0)
结果示例:
3.Otsu's二值化
前面说到,cv2.threshold函数是有两个返回值的,前面一直用的第二个返回值,也就是阈值处理后的图像,那么第一个返回值(得到图像的阈值)将会在这里用到。
前面对于阈值的处理上,我们选择的阈值都是127,那么实际情况下,怎么去选择这个127呢?有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值,而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况,他会在双峰之间找到一个值作为阈值,对于非双峰图像,可能并不是很好用。那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个返回值了。因为Otsu’s方法会产生一个阈值,那么函数cv2.threshold的的第二个参数(设置阈值)就是0了,并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU。
Code:
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('yuhangyuan.png',0)
ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
#(5,5)为高斯核的大小,0为标准差
blur= cv2.GaussianBlur(img,(5,5),0)
ret3,th3=cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
images=[img,0,th1,
img,0,th2,
img,0,th3]
titles =['original noisy image','histogram','global thresholding(v=127)',
'original noisy image','histogram',"otsu's thresholding",
'gaussian giltered image','histogram',"otus's thresholding"]
# 这里使用了pyplot中画直方图的方法,plt.hist要注意的是他的参数是一维数组
# 所以这里使用了(numpy)ravel方法,将多维数组转换成一维,也可以使用flatten方法
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:
....