python-openCV学习笔记（5）-阈值处理

阈值处理是指剥除图像内像素值高于一定值或者低于一定值的像素点。OpenCV提供了函数cv2.threshold()和函数cv2.adaptiveThreshold()，用于实现阈值处理。

threshold函数

OpenCV使用cv2.thresdhold函数进行阈值化处理，该函数的语法格式为：
retval,dst=cv2.threshold(src,thresh,maxval,type)
式中：
retval代表返回的阈值
dst代表阈值分值结果图像，于原始图像具有相同的大小与类型。
src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值。
thresh代表要设定的阈值。
maxval代表当type参数为THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值。
type代表阈值分割的类型，

img = cv2.imread("lena.jpg")
# img=np.random.randint(0,256,size=[4,5],dtype=np.uint8)
t,rst=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
print("img=\n",img)
print("t=",t)
print("rst=\n",rst)
cv2.imshow("img",img)
cv2.imshow("rst",rst)
cv2.waitKey()
cv2.destroyAllWindows()

自适应阈值处理

对于色彩均衡的图像，直接使用一个阈值就能完成对图像的阈值化处理。但是，有时图像的色彩是不均衡的，此时如果只使用一个阈值，就无法得到清晰有效的阈值分割结果图像。
有一种改进的阈值处理技术，其使用变化的阈值完成对图像的阈值处理，这种技术被称为自适应阈值处理。在进行阈值处理时，自适应阈值处理的方式通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。与普通的阈值处理方法相比，自适应阈值处理能够更好地处理明暗差异较大的图像。
OpenCV 提供了函数 cv2.adaptiveThreshold（）来实现自适应阈值处理，该函数的语法格式为：
dst=cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,c)
式中：
dst 代表自适应阈值处理结果
src 代表要进行处理的原始图像。需要注意的是，该图像必须是8位单通道的图像
maxValue 代表最大值
adaptiveMethod 代表自适应方法
thresholdType 代表國值处理方式，该值必须是 Cv2.THRESH BINARY 或者CV2.THRESH BINARY INV中的一个
blocksize 代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为3、5、7等
C是常量
函数 cv2.adaptiveThreshold（）根据参数 adaptiveMethod 来确定自适应阈值的计算方法，函数包含 cv2.ADAPTIVE_THRESH_MEAN_C 和 cv2.ADAPTIVE_THRESH_GAUSSIAN _C 两种不同的方法。这两种方法都是逐个像素地计算自适应阈值，自适应阈值等于每个像素由参数blocksize 所指定邻域的加权平均值减去常量C。两种不同的方法在计算邻域的加权平均值时所采用的方式不同：
cv2.ADAPTIVE_THRESH_MEAN_C： 邻域所有像素点的权重值是一致的。
cv2.ADAPTIVE_THRESH_GAUSSIAN _C ： 与邻域各个像素点到中心点的距离有关，通过高斯方程得到各个点的权重值。

import cv2
img = cv2.imread('lena.jpg', 0)
t1, thd = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
athMEAN = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
athGAUS = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)
cv2.imshow('img', img)
cv2.imshow('rst', thd)
cv2.imshow('athMEAN', athMEAN)
cv2.imshow('athGAUS ', athGAUS )
cv2.waitKey()
cv2.destroyAllWindows()

Otsu处理

Otsu方法能够根据当前图像给出最佳的类间分割阈值。简而言之，Otsu方法回遍历所有可能阈值，从而找到最佳的阈值。
在OpenCV中，通过函数cv2.threshold()中对参数type的类型多传递一个参数“cv2.THRESH_OTSU",即可实现Otsu方式的阈值分割。
需要说明的是，在使用Otsu方法时，要把阈值设置为0，此的函数cv2.threshold()会自动寻找最优阈值，并将该阈值返回。

img = cv2.imread('lena.jpg', 0)
t1, thd = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print(t1)
cv2.imshow('img', img)
cv2.imshow('rst', thd)
cv2.waitKey()
cv2.destroyAllWindows()