openCV+Python 数字图像处理（11）——图像二值化

1.基本概念及API介绍

(1) 全局阈值二值化

ret, binary = cv2.threshold(src: Any, thresh: Any, maxval: Any, type: Any, dst: Any = None)

src: 原图
thresh: 阈值，当阈值类型使用自适应阈值而无固定值时可设为0，不起作用
maxval: 最大值
type: 阈值类型
ret: 阈值
binary： 二值图像

阈值类型	介绍
THRESH_BINARY	过门限的值设置为maxVal，其它值置零
THRESH_BINARY_INV	过门限的值置零，其它值设置为maxVal
THRESH_TRUNC	过门限的值设置为门限值，其它值置不变
THRESH_TOZERO	过门限的值不变，其它值置零
THRESH_TOZERO_INV	过门限的值置零，其它值不变

自适应阈值方法：

全局/局部	自适应阈值方法	介绍
全局	cv.THRESH_OTSU	大律法
全局	cv.THRESH_TRIANGLE	适用于单个波峰

注意：
当采用自适应阈值时，thresh无固定值，可设为0，不起作用
示例：cv.THRESH_BINARY | cv.THRESH_OTSU

（2）局部阈值二值化

cv2.adaptiveThreshold(src: Any, maxValue: Any, adaptiveMethod: Any, thresholdType: Any, blockSize: Any, C: Any, dst: Any = None)

src: 原图
maxValue: 最大值
adaptiveMethod: 平均（cv2.ADAPTIVE_THRESH_MEAN_C）或高斯（cv2.ADAPTIVE_THRESH_GAUSSIAN_C）
thresholdType: 必须为THRESH_BINARY或THRESH_BINARY_INV的阈值类型
blockSize: 块大小（奇数且大于1，比如3，5，7… ）
C: 常数，表示从平均值或加权平均值中减去的数。 通常情况下，这是正值，但也可能为零或负值。

（3）超大图像二值化
当图像较大时，我们需要将图像进行分块，并在每一块上进行二值化。
当在每个小块上采用全局阈值二值化时，在有噪声的区域可能效果很差。这时我们可以进行空白图像过滤（计算每块的dev值，当dev值小于某个数时，赋值为255）
一般情况下采用局部阈值二值化效果较好。

2.代码示例

import cv2
import numpy as np

book = cv2.imread('E:/PycharmProjects/flower.jpg')


def show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)


show('flower', book)


# 1.全局阈值
def threshold_demo(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
    print('th', ret)
    show('binary', binary)


threshold_demo(book)


# 2.局部阈值
def local_threshold(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    dst1 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 25, 10)
    dst2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 25, 10)
    show('local_gs', dst1)
    show('local_mean', dst2)


local_threshold(book)


# 3.自定义阈值
def custom_threshold(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    h, w = gray.shape[:2]
    m = np.reshape(gray, [1, h * w])
    mean = m.sum() / (h * w)
    print(mean)
    ret, binary = cv2.threshold(gray, mean, 255, cv2.THRESH_BINARY)
    show('custom_binary', binary)

custom_threshold(book)

# 4.超大图像二值化
def big_img_bi(img):
    cw = 50
    ch = 50
    h, w = img.shape[:2]
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    for row in range(0, h, ch):
        for col in range(0, w, cw):
            roi = gray[row:row+ch, col:col+cw]
            dst = cv2.adaptiveThreshold(roi, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 5)
            gray[row:row + ch, col:col + cw] = dst
    show('big_bi', gray)

big_img_bi(book)

cv2.destroyAllWindows()

3.结果展示