Python+Opencv图像处理新手入门教程(三)：阈值与二值化

一步一步来吧

上一节：
Python+Opencv图像处理新手入门教程(二)：颜色空间转换，图像大小调整，灰度直方图

1.Intro

今天这节我们主要研究利用阈值处理图像。例如对于输入图像：

如何做一个简单的"扫描全能王"，让里面的文字变得清晰？

2.threshold

2.1.函数原型

retval, dst = cv.threshold(src, thresh, maxval, type[, dst]) 

• src：原图像
• dst：输出图像
• thresh：当前阈值
• maxVal：最大阈值，一般为255
• thresholdType：阈值类型，如THRESH_BINARY

在THRESH_BINARY模式下，有：
$$dst(x,y)=\{\begin{array}{l}\mathrm{maxval}ifsrc(x,y)>thresh\\ 0otherwise\end{array}$$

即，如果某个像素点的灰度值大于阈值，则将其设置为我们给定的maxVal(一般为255)，也就是将该像素置为白色；否则，将其设置为0，也就是将该像素置为黑色。

2.2.图像分析

将原图像转化为灰度图像并绘制灰度直方图：

# -*- coding: utf-8 -*-
import cv2
import matplotlib.pyplot as plt
def plt_hist(img):     
    plt.hist(img.ravel(), 256, [0, 256])
    plt.show()  
img = cv2.imread(r'D:\bookpage.jpg')
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
plt_hist(gray_img)

得到灰度直方图如下：

可以看到灰度值高峰位于10左右。

2.3.二值化处理

基于对灰度直方图的观察，我们尝试以10为阈值对图像进行二值化处理：

# -*- coding: utf-8 -*-
import cv2
img = cv2.imread(r'D:\bookpage.jpg')
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, res = cv2.threshold(gray_img, 10, 255, cv2.THRESH_BINARY)
cv2.imshow('owo', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

处理后的图像长这样：

其灰度直方图如下：

可以看到，对于超出灰度阈值的像素，其灰度值被调整为255，反之调整为0。整个图像的灰度值只剩0与255这两个值，即所谓二值化。

2.4.自适应阈值

opencv提供了adaptiveThreshold方法来进行自适应阈值操作。也就是说，图像不同区域的阈值是不同的，这样便可能带来更好的去阴影效果。
函数原型：

dst = adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

• src：原图像
• maxVal：最大阈值，一般为255
• dst：输出图像
• adaptiveMethod：自适应方法
• thresholdType：阈值类型，如THRESH_BINARY
• blockSize：像素领域大小，注意必须为奇数
• C：偏移值调整量(供相应的自适应方法使用)

自适应方法有两种，分别为

• ADAPTIVE_THRESH_MEAN_C
  先求出块(blockSize)中的均值，再减去C
• ADAPTIVE_THRESH_GAUSSIAN_C
  先求出块中的加权和(权表示当前像素距中心像素的距离)，再减掉C。块中像素距中心越远，"影响力"则越小，相应权值越低。

从上面的分析可得，当blockSize较小时，两种自适应方法的结果相差不大(此时权值的影响较小)；而当blockSize较大时，MEAN方法会更强调"整体"的轮廓，而GAUSSIAN方法由于权值的设计会将整体轮廓进行削弱。实际使用过程中最好两种方法都试一试，进行效果对比。

# -*- coding: utf-8 -*-
import cv2
img = cv2.imread(r'D:\bookpage.jpg')
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
res = cv2.adaptiveThreshold(gray_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 115, 1)
cv2.imshow('owo', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

高斯法处理后的图像长这样：

res = cv2.adaptiveThreshold(gray_img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 115, 1)

均值法处理后的图像长这样：

对于这张图片的处理，均值法的性能是优于高斯法的。