opencv-pytho(9)：图像阈值

本节将学习简单阈值，自适应阈值，Otsu's二值化等

学习的函数有cv2.threshold,cv2.adaptiveThreshold等

1、简单阈值

函数原型：cv2.treshold(src,x,y,method)

src:原函数 ，应为灰度值  x:指对像素值进行分类的阈值   y:当像素高于（或者小于）阈值时会被赋予的新值

method:

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

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt 
img=cv2.imread('C:\\Users\\WLX\\Desktop\\15.png',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=['oringinal 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()

结果：

2、自适应阈值

 整幅图像用同一个阈值这种方法并不适用所有情况，尤其当同一副图像上的不同部分具有不同的亮度时。这种情况我们需要采用自适应阈值。因此在同一副图像上的不同区域采用不同的阈值。

函数原型：

dst = cv2.adaptiveThreshold(src, maxval, thresh_type, type, Block Size, C)

• src： 输入图，只能输入单通道图像，通常来说为灰度图
• dst： 输出图
• maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
• thresh_type： 阈值的计算方法，包含以下2种类型：cv2.ADAPTIVE_THRESH_MEAN_C； cv2.ADAPTIVE_THRESH_GAUSSIAN_C.
• type：二值化操作的类型，与固定阈值函数相同，但仅包含以下2种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV
• Block Size： 图片中分块的大小，用来计算阈值的像素邻域大小：3,5,7
• C ：阈值计算方法中的常数项

自适应阈值：  对方法CV_ADAPTIVE_THRESH_MEAN_C，先求出块中的均值，再减掉C。

                       对方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ，先求出块中的加权和(gaussian)， 再减掉C。

参见    点击打开链接

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt 
img=cv2.imread('C:\\Users\\WLX\\Desktop\\7.jpg',0)
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()

结果：

3、Otsu's二值化

当处理双峰图像时，我们使用Otsu二值化。它对一副双峰图像自动根据直方图计算一个阈值。（对于非双峰图像这种方法并不适用）

这里会用到cv2.threshold(),但需要传入一个参数（flag）,cv2.THRESH_OTSU。这里把阈值设为0.然后算法会找到最优阈值，这个最优阈值返回值retVal。如果不适用Otsu二值化，返回的retVal值与设定的阈值相等。

下面的例子中，输入图像是一副带有噪声的图像，第一种方法，我们设127为全局阈值。第二种方法，我们直接使用Otsu二值化。第三种方法，我们首先用一个5x5的高斯核除去噪声，然后再使用Otsu二值化。

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt 
img=cv2.imread('C:\\Users\\WLX\\Desktop\\16.png',0)
ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret1,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
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,blur,0,th3]
titles=['Original Noisy Image','Histogram','Global Thresholding(v=127)','Original Noisy Image','Histogram','Otus s Thresholding','Gaussian giltered 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()

结果：

关于cv2.GassianBlur()这个函数，详情见   点击打开链接  点击打开链接   点击打开链接