图像的阈值处理

介绍阈值

       图像是由矩阵构成，矩阵中每个点的RGB值都不一样，呈现出来的色彩不一样，最终整体呈现给我们的就是一张彩色的图像。所谓”二值化处理“就是将矩阵中每个点的RGB值（0，0，0）[黑色]或者（255，255，255）[白色]， 设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群， 提取出目标物体。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。

       阈值分割法的特点是:适用于目标与背景灰度有较强对比的情况，重要的是背景或物体的灰度比较单一，而且总可以得到封闭且连通区域的边界。

一 简单阈值

函数为cv2.threshold( ), 选取一个全局阈值，然后就把整幅图像分成非黑即白的二值图像

"""cv2.threshold( )函数四个参数，
第一个是原图像矩阵，
第二个是进行分类的阈值，
第三个是高于（低于）阈值时赋予的新值，
第四个是一个方法选择参数，常用的有：

cv2.THRESH_BINARY（黑白二值）
cv2.THRESH_BINARY_INV（黑白二值翻转）
cv2.THRESH_TRUNC（得到额图像为多像素值）
cv2.THRESH_TOZERO（当像素高于阈值时像素设置为自己提供的像素值，低于阈值时不作处理）
cv2.THRESH_TOZERO_INV（当像素低于阈值时设置为自己提供的像素值，高于阈值时不作处理）

注：将阈值大于127的像素值置为255


函数两个返回值

第一个值为阈值
第二个就是阈值处理后的图像矩阵


"""

img = cv2.imread('4.jpg', 0)
# binary （黑白二值）
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)  
# （黑白二值反转）
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) 

# 得到的图像为多像素值 
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC) 

# 高于阈值时像素设置为255，低于阈值时不作处理
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)  
# 低于阈值时设置为255，高于阈值时不作处理
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)  
 
print(ret)
 
cv2.imshow('thresh1', thresh1)
cv2.imshow('thresh2', thresh2)
cv2.imshow('thresh3', thresh3)
cv2.imshow('thresh4', thresh4)
cv2.imshow('thresh5', thresh5)
cv2.imshow('grey-map', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

二 自适应阈值

       简单阈值是一种全局性的阈值，只需要设定一个阈值，整个图像都和这个阈值比较。而自适应阈值可以看成一种局部性的阈值，通过设定一个区域大小，比较这个点与区域大小里面像素点的平均值（或者其他特征）的大小关系确定这个像素点的情况。

      这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，而不是整幅图都用一个阈值.
 

img = cv2.imread('4.jpg', 0)
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 第一个参数为原始图像矩阵，
# 第二个参数为像素值上限，
# 第三个是自适应方法（adaptive method）：
# -----cv2.ADAPTIVE_THRESH_MEAN_C:领域内均值
# -----cv2.ADAPTIVE_THRESH_GAUSSIAN_C:领域内像素点加权和，权重为一个高斯窗口

# 第四个值的选择参数：只有cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV
# cv2.THRESH_BINARY（黑白二值）
# cv2.THRESH_BINARY_INV（黑白二值翻转）
# cv2.THRESH_TRUNC（得到额图像为多像素值）
# cv2.THRESH_TOZERO（当像素高于阈值时像素设置为自己提供的像素值，低于阈值时不作处理）
# cv2.THRESH_TOZERO_INV（当像素低于阈值时设置为自己提供的像素值，高于阈值时不作处理）


# 第五个Block size：设定领域大小（一个正方形的领域）
# 第六个参数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值，就是求得领域内均值或者加权值）

th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th4 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
cv2.imshow('img', img)
cv2.imshow('th1', th1)
cv2.imshow('th2', th2)
cv2.imshow('th3', th3)
cv2.imshow('th4', th4)
cv2.waitKey(0)
cv2.destroyAllWindows()

三 Otsu's二值化

           cv2.threshold( )函数有两个返回值，一个是阈值，第二个是处理后的图像矩阵。在cv2.threshold的方法参数中加上语句cv2.THRESH_OTSU, 非常适合于图像灰度直方图(只有灰度图像才有)具有双峰的情况。在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。

Otsu过程：

1. 计算图像直方图；
2. 设定一阈值，把直方图强度大于阈值的像素分成一组，把小于阈值的像素分成另外一组；
3. 分别计算两组内的偏移数，并把偏移数相加；
4. 把0~255依照顺序多为阈值，重复1-3的步骤，直到得到最小偏移数，其所对应的值即为结果阈值

img = cv2.imread('2.jpg', 0)
ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)  # 简单滤波
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)  # Otsu 滤波
print(ret2)
cv2.imshow('img', img)
cv2.imshow('th1', th1)
cv2.imshow('th2', th2)
# 用于解决matplotlib中显示图像的中文乱码问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.hist(img.ravel(), 256)
plt.title('灰度直方图')
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

资料：

一文搞懂图像二值化算法

OpenCV图像处理（五）图像的阈值分割

OpenCV - 图像阈值（Python实现）