初探图像二值化

图像的二值化

（英文: Binarization）

意将非二值图像经过计算变成二值图像，它进行图像分割(Segmentation)最简单的一种方法，即后续图像处理技术的基础(简化后期的处理，提高处理速度），可以将灰度图像转化成二值图像。一般用它将感兴趣的目标和背景分离，比如：将人脸图像分为皮肤区域和非皮肤区域，将图像文字转换成PDF文字(黑/白)等等。因此，图像二值化可以看做是聚类或者分类。

二值图像即为每个像素只有两个可能值的数字图像，常出现在图像掩码，图像分割，二值化和dithering。

其将大于某个临界灰度值的像素灰度设为灰度极大值，小于这个值的为灰度极小值，从而实现二值化。

根据域值，二值化分为固定阈值和自适应阈值。比较常用的二值化方法有：双峰法，P参数法，迭代法和OTSU法等。

首先，介绍一种比较简单的方法。将图片灰度化后，我们选择127(灰度值范围的一半)作为阈值，即将像素值大于127的像素值全部设为255，小于127的全部设为0.

def easy_binarization(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_gray[img_gray>127] = 255
    img_gray[img_gray<=127] = 0
    plt.imshow(img_gray, cmap='gray')
    plt.show()
    return img_gray

通过这种方法我们得到一张这样的图片：

严谨一点，为了应对每张灰度值大不相同，我们将阈值取为图像本身的平均值。

def mean_binarization(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    threshold = np.mean(img_gray)
    img_gray[img_gray>threshold] = 255
    img_gray[img_gray<=threshold] = 0
    plt.imshow(img_gray, cmap='gray')
    plt.show()
    return img_gray

这样得到的图片有一点区别。我们知道直方图是图像的重要特质，它可以帮助我们分析图像中的灰度变化。因此，如果物体与背景的灰度值对比明显，直方图就会包含双峰(bimodal histogram)，它们分别为图像的前景和背景。而它们之间的谷底即为边缘附近相对较少数目的像素点，一般来讲，这个最小值就为最优二值化的分界点，通过这个点可以把前景和背景很好地分开。

def hist_binarization(img):
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    hist = img_gray.flatten()
    plt.subplot(121)
    plt.hist(hist, 256)

    cnt_hist = collections.Counter(hist)
    begin, end = cnt_hist.most_common(2)[0][0], cnt_hist.most_common(2)[1][0]
    
    cnt = np.iinfo(np.int16).max
    threshold = 0
    for i in range(begin, end+1):
        if cnt_hist[i] < cnt:
            cnt = cnt_hist[i]
            threshold = i 
    print(f'{threshold}: {cnt}')
    img_gray[img_gray>threshold] = 255
    img_gray[img_gray<=threshold] = 0

    plt.subplot(122)
    plt.imshow(img_gray, cmap='gray')
    plt.show()
    return img_gray

我们通过这种方式所寻找的阈值为148，其区于(143，153)双峰之间，得到了一张与上两种方法大不相同的图像。可以看出，阈值的选取就是二值化实现的关键。

1979年，日本人大津提出了名为OSTU的一种算法(<–<>)，也称最大类间差法。取使得前景和背景两类的类间方差最大时的阈值，btw，matlab中的graythresh便基于这个算法。此外，它可进行多级阈值处理，即OSTU扩展算法，称为多大津算法(Multi OTSU Method)。

我们先将阈值设为t, 将原图转换成转化成灰度图后，将其高与宽存于h,w。通过magic的numpy算法我们直接将小于阈值的灰度值存储在前景front中，大于等于阈值的存在背景back中。即，

# 阈值：t
h, w = img.shape[:2]
front = img[img < t]
back = img[img >= t]

显然，<