《OpenCV》☞ ImageThresholding

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：

....