OpenCV库的学习笔记（五）Image Thresholding

最新推荐文章于 2024-09-30 10:34:05 发布

郭铁拳

最新推荐文章于 2024-09-30 10:34:05 发布

阅读量132

点赞数

文章标签： opencv 学习计算机视觉

本文链接：https://blog.csdn.net/weixin_44072988/article/details/129130746

版权

目标

在本教程中，您将学习简单阈值化、自适应阈值化和 大津二值化。
您将学习函数 cv.threshold 和 cv.adaptiveThreshold。

简单阈值化

在这里，事情很简单。对于每个像素，应用相同的阈值。如果像素值小于阈值，则设置为0，否则设置为最大值。函数 cv.threshold 用于应用阈值化。第一个参数是源图像，应该是灰度图像。第二个参数是用于对像素值进行分类的阈值。第三个参数是分配给超过阈值的像素值的最大值。 OpenCV 提供不同类型的阈值，由函数的第四个参数给出。如上所述的基本阈值处理是通过使用类型 cv.THRESH_BINARY 完成的。

cv.THRESH_BINARY
cv.THRESH_BINARY_INV
cv.THRESH_TRUNC
cv.THRESH_TOZERO
cv.THRESH_TOZERO_INV

上述函数具体的表达式如下图所示：

该方法返回两个输出。第一个是使用的阈值，第二个输出是阈值图像。
具体代码实例如下：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('gradient.png',0)
ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,thresh2 = cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,thresh3 = cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,thresh4 = cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,thresh5 = cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray',vmin=0,vmax=255)
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

注意此处的代码书写，是特别简略得当的。

自适应阈值化

在上一节中，我们使用一个全局值作为阈值。但这可能并不适用于所有情况，例如如果图像在不同区域具有不同的照明条件。在这种情况下，自适应阈值可以提供帮助。在这里，算法根据像素周围的小区域确定像素的阈值。因此，我们为同一图像的不同区域获得不同的阈值，这为具有不同光照的图像提供了更好的结果。

除了上述参数外，方法 cv.adaptiveThreshold 还需要三个输入参数：

自适应方法决定如何计算阈值：

cv.ADAPTIVE_THRESH_MEAN_C：阈值是邻域面积的平均值减去常量C。
cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是邻域值减去常量C的高斯加权和。

blockSize 确定邻域区域的大小，C 是从邻域像素的平均值或加权总和中减去的常数。

下面的代码比较了具有不同光照的图像的全局阈值和自适应阈值：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('lisa.jpeg',0)
img = cv.medianBlur(img,5)
ret,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
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)#11是块的大小，有3，5，7等
titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]
for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

自适应阈值化能够很好的把握图像的边缘特性，高斯阈值化能够清理一些均值阈值化的噪声。

大津二值化(Otsu's Binarization)

在全局阈值中，我们使用任意选择的值作为阈值。相反，Otsu 的方法避免了必须选择一个值并自动确定它。（可以自动选择阈值）

考虑只有两个不同图像值的图像（双峰图像），其中直方图仅包含两个峰值。一个好的阈值应该在这两个值的中间。类似地，Otsu 的方法从图像直方图中确定最佳全局阈值。

为此，使用了 cv.threshold() 函数，其中 cv.THRESH_OTSU 作为额外标志传递。阈值可以任意选择。然后算法找到最佳阈值，该阈值作为第一个输出返回。

查看下面的示例。输入图像是有噪声的图像。在第一种情况下，应用值为 127 的全局阈值。在第二种情况下，直接应用 Otsu 的阈值。在第三种情况下，首先使用 5x5 高斯核对图像进行滤波以去除噪声，然后应用 Otsu 阈值处理。查看噪声过滤如何改善结果。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('noisy2.png',0)
# global thresholding
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu's thresholding
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# Otsu's thresholding after Gaussian filtering
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
for i in range(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    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()