OpenCV篇6---图像阈值（重点，很适用）

学习目标

1、学习基本阈值，自适应阈值，大津的阈值等；

2、学习这些函数：cv2.threshold，cv2.adaptiveThreshold等。

分节讲解如下：

1、基本阈值

如果像素值大于阈值，则会分配一个值（可能为白色），否则会分配另一个值（可能为黑色）。 使用的函数是cv2.threshold。 第一个参数是源图像，它应该是灰度图像。 第二个参数是用于分类像素值的阈值。 第三个参数是maxVal，它表示在像素值大于（有时小于）阈值时要给出的值。 OpenCV提供不同风格的阈值，并由函数的第四个参数决定。 不同的类型是：

cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV

实现代码：

#coding:utf8
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('F:/picture.jpg', 0)
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

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()

输出：

注意：在绘制多个图像，可以使用了plt.subplot（）函数

2、自适应阈值

在前一节中，我们使用了一个全局值作为阈值。 但是，在不同区域的图像具有不同照明条件的情况下，它可能并不好。 在这种情况下，我们会进行自适应阈值处理。 在此，该算法计算图像的小区域的阈值。 因此，我们针对同一图像的不同区域获得不同的阈值，并为具有不同照明的图像提供更好的结果。

它有三个“特殊”输入参数和一个输出参数。

自适应方法 --- 决定如何计算阈值。
cv2.ADAPTIVE_THRESH_MEAN_C：阈值是邻域的平均值。

cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是其中权重是高斯窗口的邻域值的加权和。

Block Size - 决定邻里区域的大小。
C - 它只是一个从平均值或加权平均值中减去的常数。

实现代码（比较了全局阈值和自适应阈值对于不同照度的图像）：

#coding:utf8
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('F:/picture.jpg', 0)
img = cv2.medianBlur(img,5)

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
            cv2.THRESH_BINARY,11,2)
th3 = 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, th1, th2, th3]

for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

plt.show()

输出：

3、大津二元法（推荐使用）

大津二元法是根据图像直方图自动计算双峰图像的阈值。 （对于不是双峰的图像，二值化将不准确）

使用：cv2.THRESH_OTSU

实现代码：

#coding:utf8
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('F:/cons.jpg', 0)
# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]

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()

输出：