（六）图像阈值

目录

1、简单阈值

2、自适应阈值

3、Otsu's(大津算法)二值化

---

目标：

• 简单阈值、自适应阈值，Otsu's二值化
• cv2.threshold , cv2.adaptiveThreshold

1、简单阈值

当像素值高于阈值时，给这个像素赋予一个新值，如255（白色），否则赋予另外一个颜色（如黑色）

函数：cv2.threshold() 第一个参数是原图像（必须是灰度图）；第二个参数用来对像素值进行分类的阈值；第三个参数是当像素值高于阈值时应该被赋予的新的像素值。OpenCV提供了多种不同的阈值方法，这由第四个参数来决定。这些方法包括：

• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZEREO_INV

代码：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

path="D:\\openCV\\opencv\\sources\\samples\\data\\lena.jpg"
lena=cv.imread(path)

#
gray=cv.cvtColor(lena,cv.COLOR_BGR2GRAY)
ret,thresh1=cv.threshold(gray,127,255,cv.THRESH_BINARY)
ret,thresh2=cv.threshold(gray,127,255,cv.THRESH_BINARY_INV)
ret,thresh3=cv.threshold(gray,127,255,cv.THRESH_TRUNC)
ret,thresh4=cv.threshold(gray,127,255,cv.THRESH_TOZERO)
ret,thresh5=cv.threshold(gray,127,255,cv.THRESH_TOZERO_INV)

titles=['Gray','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images=[gray,thresh1,thresh2,thresh3,thresh4,thresh5]

for i in  range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],"")
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

说明：为了在同一个窗口显示多个图像，使用函数plt.subplot()

补充：关于plt.imshow(image,cmaps)

cmap的参数有很多：详情请看这里

我们常用的只有那么几个：binary、gray;如果需要更加丰富的色彩可以选择：Blues、Greens等

 

注意：matloblib里读入的图片是RGB模式，而OpenCV读入图片的模式为BGR模式，这点需要区分开

效果图：

    

2、自适应阈值

简单阈值采用的是全局阈值，整幅图像采用同一个数作为阈值。这种方法不适应所有情况，尤其是当同一幅图像上的不同部分具有不同亮度时，这时需要采用自适应阈值，此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。

这种方法需要指定三个参数，返回值只有一个：

• Adaptive Method-指定计算阈值的方法。

     -cv2.ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值

      -cv2.ADAPTIVE_THRESH_GAUSSIAN_C:阈值取值相邻区域的加权和，权重为一个高斯窗口。

• Block Size-邻域大小（用来计算阈值的区域的大小）
• C--一个常数，阈值就等于平均值或者加权平均值减去这个常数

代码：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

path="D:\\openCV\\opencv\\sources\\samples\\data\\lena.jpg"
lena=cv.imread(path)
#原始图像太大，缩小一些
lena2=cv.resize(lena,None,fx=0.7,fy=0.7,interpolation=cv.INTER_CUBIC)
gray=cv.cvtColor(lena2,cv.COLOR_BGR2GRAY)
cv.imshow("gray",gray)


#中值滤波
img=cv.medianBlur(gray,5)
#阈值分割
ret,th1=cv.threshold(img,127,255,cv.THRESH_BINARY)

#11为Block size,2 为C值
th2=cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,11,2)
th3=cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,11,2)

images=[gray,th1,th2,th3]
titles=["Gray","Threshold","Adaptive Thresh MEAN","Adaptive Thresh GAUSSIAN"]

for i in range(4):
   cv.imshow(titles[i],images[i])

 

运行效果：

    

 

3、Otsu's(大津算法)二值化

在使用全局阈值时，我们随便给了一个数来做阈值，那么怎么知道选取的这个数的好坏呢？答案就是不停的尝试。如果是一幅双峰图像呢，岂不是应该在两个峰之间的峰谷选取一个值作为阈值？这就是大津算法二值化要做的。简单来说就是对一幅双峰图像自动根据其直方图计算出一个阈值。（对于非双峰图像，这种方法得到的结果可能会不理想）

用到的函数cv.threshold()，但是需要多传入一个参数（flag）：cv2.THRESH_OTSU。这时要把阈值设为0.然会算法会找到最优阈值，这个最优阈值就是retVal。如果不使用Otsu二值化，返回的retVal值与设定的阈值相等。

下面例子中，输入图像是一个带有噪声的图像。第一种方法，设127为全局阈值。第二种方法，直接使用Otsu二值化。第三种方法，先用一个5x5的高斯核取出噪音，然后在使用Otsu二值化。

代码：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

path="D:\\openCV\\opencv\\sources\\samples\\data\\pic2.png"
img=cv.imread(path)
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#全局阈值
ret,th1=cv.threshold(gray,127,255,cv.THRESH_BINARY)

#Otsu's thresholding
ret,th2=cv.threshold(gray,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

#先进行高斯滤波,(5,5)为高斯核的大小，0为标准差
blur=cv.GaussianBlur(gray,(5,5),0)
ret,th3=cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)


images=[th1,th2,th3]
titles=["Thresholding","Otsu thresholding","Gaussian Otsu thresholding"]

for i in range(3):
    cv.imshow(titles[i],images[i])
cv.imshow("original",gray)
#cv.imshow("gray",gray)
cv.waitKey()

效果图：

    

 

那么如果使用matplotlib输出窗口呢：

代码：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

path="D:\\openCV\\opencv\\sources\\samples\\data\\pic2.png"
img=cv.imread(path)
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)

#全局阈值
ret,th1=cv.threshold(gray,127,255,cv.THRESH_BINARY)

#Otsu's thresholding
ret,th2=cv.threshold(gray,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

#先进行高斯滤波,(5,5)为高斯核的大小，0为标准差
blur=cv.GaussianBlur(gray,(5,5),0)
ret,th3=cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

images=[gray,0,th1,
        gray,0,th2,
        blur,0,th3]
titles=["original","Histogram","thresholding(v=127)",
        "original","Histogram","Otsu's thresholding",
        "Gaussian filtered image","Histogram","Otsu's thresholding"]

for i in range(3):
    #第一列图像
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],"gray")
    plt.title(titles[i*3]),plt.xticks([]),plt.yticks([])
    #第二列图像
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),255)
    plt.title(titles[i*3+1]),plt.xticks([]),plt.yticks([])
    #第三列
    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()


cv.waitKey()

效果图：