Opencv阈值处理（threshold、adaptiveThreshold and OTSU），大津法：OTSU（おおつ | ōtsu）

  >>>原始图像

目录

（1）自定义阈值（threshold）

（2）自适应阈值（adaptiveThreshold）

（3）大津法（OTSU）

 （4）示例代码：

---

（1）自定义阈值（threshold）

阈值处理是指剔除图像内像素值高于一定值或者低于一定值的像素点。（剔除：变成黑色或白色）

（2）自适应阈值（adaptiveThreshold）

有一种改进的阈值处理技术，其使用变化的阈值完成对图像的阈值处理，这种技术被称为自适应阈值处理。在进行阈值处理时，自适应阈值处理的方式通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。与普通的阈值处理方法相比， 自适应阈值处理能够更好地处理明暗差异较大的图像。

自适应阈值处理函数的语法格式为：

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

• thresholdType 代表阈值处理方式，该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV 中的一个。
• blockSize 代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为 3、5、7 。
• C 是常量。
• adaptiveMethod 来确定自适应阈值的计算方法，函数包含两种不同的方法。这两种方法都是逐个像素地计算自适应阈值，自适应阈值等于每个像素由参数 blockSize 所指定邻域的加权平均值减去常量 C。两种不同的方法在计算邻域的加权平均值时所采用的方式不同：

• 1. cv2.ADAPTIVE_THRESH_MEAN_C：邻域所有像素点的权重值是一致的。
• 2. cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与邻域各个像素点到中心点的距离有关，通过高斯方程得到各个点的权重值。
• 此处的计算方法，与图像平滑处理的均值滤波和高斯滤波如出一辙，直达链接：
  常见的图像平滑处理算法的比较（均值滤波、高斯滤波、双边滤波），并解析语法格式_Flying Bulldog的博客-CSDN博客

  >>>此图像对比不是很明显，可以使用自选的图像进行观察 。

（3）大津法（OTSU）

• 由来：OTSU算法是由日本学者大津（日语发音：おおつ | ōtsu）于1979年提出的一种对图像进行二值化的高效算法。
• OTSU可以根据图像自动生成最佳分割阈值。OTSU的核心思想是类间方差最大化。
• 具体用法，见代码示例，其中返回值有两个：最佳阈值和处理后的图像。
• 算法详解，链接直达：https://zhuanlan.zhihu.com/p/111101737
• 算法详解中，涉及一个概率的知识：P(X|Y) 表示，在Y事件发生的条件下，X发生的概率！

 （4）示例代码：

import cv2

src = cv2.imread("bulldog.jpg")
src = cv2.resize(src, (int(src.shape[1] / 2), int(src.shape[0] / 2)))
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

# 1.自定义阈值
x, thr = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

# 2.自适应阈值（阈值随区域而变化）
thr_MEAN = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
thr_GAUS = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)

# 3.大津法
best_thr, thr_OTSU = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print("最佳阈值：", best_thr)
print("自定义阈值：", x)

cv2.imshow("thr", thr)
cv2.imshow("OTSU", thr_OTSU)
cv2.imshow("thr_MEAN", thr_MEAN)
cv2.imshow("thr_GAUS", thr_GAUS)
cv2.waitKey(0)
cv2.destroyAllWindows()

  >>>如有疑问，欢迎评论区一起探讨。