阈值处理

---

阈值处理类似于分段函数处理，设定一个阈值，若图像中的像素点灰度值大于阈值，对其做一定处理；对低于阈值的像素点做另一类处理。如对于一幅灰度图，我们设定阈值为125，大于125的像素点灰度值设为255，小于255的像素点设为0，这样我们就可以得到一副二值图像。
在OpenCV中提供了cv2.threshold()和cv2.adaptiveThreshold()来实现阈值处理。

一.threshold函数

该函数语法格式：

retval,dst=cv2.threshold(src,thresh,maxval,type)

参数说明：
retval：返回的阈值
dst：目标输出图像
src：原始输入图像
thresh：要设定的阈值
maxval：当阈值类型参数type设定为THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值。
type：阈值类型，具体如下表：

各种阈值类型的图形表示：

几种应用实例：

1.将灰度图转化为二值图像：

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg")
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_BINARY)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

2.对图像进行反二值变换：

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg")
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_BINARY_INV)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

3.对图像进行截断阈值处理：

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg")
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_TRUNC)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

4.对图像进行超阈值置零处理

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg")
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_TOZERO_INV)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

5.对图像进行低阈值置零处理：

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg")
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_TOZERO)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

二.自适应阈值处理

对于色彩分布不均匀的图像，仅仅使用一个阈值来进行处理是无法得到清晰的图像，此时阈值应随像素点周围像素值的具体情况来进行选取。opencv提供了自适应阈值处理函数cv2.adaptiveThreshold()，其原理为计算每个像素点领域像素加权平均值来得到对应的阈值。
其语法格式：

dst=cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C)

参数说明：
dst：目标输出图像
src：原始输入图像
maxValue：代表最大值，与普通阈值函数中的maxval的含义相同。
adaptiveMethod：代表自适应方法
thresholdType：阈值处理方式，只能为cv2.THRESH_BINARY与cv2.THRESH_BINARY_INV中的一个。
blockSize：代表邻域大小。
C：常量
其计算不同点的阈值是根据参数adaptiveMethod来决定的，其一般有以下两种方式：
（1）cv2.ADAPTIVE_THRESH_MEAN_C:邻域内求平均值时，所有像素的权重一致。
（2）cv2.ADAPTIVE_THRESH_GAUSSIAN_C:与邻域内各点到中心点的距离有关，通过高斯方程计算个点的权重。

观察比较两种阈值方式对图像处理的差异：

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg",cv2.IMREAD_GRAYSCALE)
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_BINARY)
binary1=cv2.adaptiveThreshold(cat,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,5,3)
binary2=cv2.adaptiveThreshold(cat,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.imshow("binary1",binary1)
cv2.imshow("binary2",binary2)
cv2.waitKey(0)
cv2.destroyAllWindows()
print(retval)

运行结果：

观察发现使用自适应阈值处理，得到的图像保留的细节更多。

三.Otsu处理

在普通阈值处理中，阈值是我们自己预先设定的，但我们肉眼观察图像像素值的分布，所找出的那个阈值并不是最优的，有时甚至阈值的结果比较差，此时使用Otsu算法，其是通过遍历尝试所有可能的阈值，最终找出最优的那个。我们只需将阈值类型设为cv2.THRESH_OTSU即可，注意此时的阈值thresh一定要设为0

比较人为设定阈值与通过Otsu算法设定阈值的处理效果：

import cv2
import numpy as np
cat=cv2.imread("cat_gray.jpg",cv2.IMREAD_GRAYSCALE)
#人为设定阈值为127
retval,binary=cv2.threshold(cat,127,255,cv2.THRESH_BINARY)
#使用Otsu得到最优阈值
best,binary1=cv2.threshold(cat,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
cv2.imshow("cat",cat)
cv2.imshow("binary",binary)
cv2.imshow("binary1",binary1)
cv2.waitKey(0)
cv2.destroyAllWindows()
print(best)

运行结果：