专栏地址：
《 OpenCV功能使用详解200篇 》
《 OpenCV算子使用详解300篇 》
《 Halcon算子使用详解300篇 》
#持续更新 点击订阅
在 OpenCVSharp 中，阈值分割是一个常见的图像处理任务，它用于将图像中的像素根据特定条件（如亮度值）分成不同的类别。以下是常见阈值分割算法的全面分析：
1. 全局阈值分割 (Cv2.Threshold())
1.1 核心原理公式
全局阈值分割的核心思想是对每个像素与给定的阈值进行比较：
![[
g(x, y) =
\begin{cases}
\text{maxval}, & \text{if } f(x, y) \geq T \
0, & \text{if } f(x, y) < T
\end{cases}
]](https://i-blog.csdnimg.cn/direct/7e7e3888e4ba4d3b83b7c70dd21a98b8.png)
- (f(x, y))：原始图像的像素值
- (T)：给定的全局阈值
- (\text{maxval})：当像素值大于等于阈值时赋予的最大值
1.2 算法功能
全局阈值分割可以将图像中的前景与背景区分开来，通常用于二值化图像，使其更适合于后续的处理步骤。
1.3 对应算子
Cv2.Threshold()算子用于执行全局阈值分割。
1.4 算子参数
Cv2.Threshold(Mat src, Mat dst, double thresh, double maxval, ThresholdTypes type);
- src：输入图像（单通道灰度图像）。
- dst：输出图像（处理后的二值化图像）。
- thresh：全局阈值。
- maxval：大于阈值的像素值设定。
- type：阈值类型，如二值化、Otsu 自动阈值等。
1.5 使用场景
- 背景与前景具有明显亮度差异的图像。
- 实时视频处理中进行简单的目标检测。
1.6 使用注意事项
- 阈值选择非常关键，错误的阈值会导致分割效果差。
- 需要确保输入图像为灰度图，彩色图需要先转换为灰度图。
1.7 优缺点
- 优点：简单、快速。
- 缺点：对光照变化和噪声敏感。
1.8 运行时间优化方法
- 自适应阈值：对于不同区域使用不同阈值来提高鲁棒性，适应光照变化。
1.9 算法实际案例
using OpenCvSharp;
// 读取图像
Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
// 进行全局阈值分割
Mat dst = new Mat();
Cv2.Threshold(src, dst, 127, 255, ThresholdTypes.Binary);
// 显示结果
Cv2.ImShow("Threshold Binary", dst);
Cv2.WaitKey(0);
Cv2.DestroyAllWindows();
1.10 案例细节
在这个例子中，首先将彩色图像转换为灰度图（通过 ImreadModes.Grayscale），然后使用全局阈值分割，将阈值设为 127，所有大于 127 的像素将设置为 255（白色），其余设置为 0（黑色）。
1.11 结合其他相关算法搭配使用
- 可以与
Cv2.MorphologyEx()搭配使用进行后处理，如腐蚀、膨胀等操作。 - 与
Cv2.Canny()边缘检测结合，进行进一步的图像分析。
1.12 相似或平替算法
- Otsu’s Thresholding：通过自动选择最佳阈值来进行图像分割，尤其适合双峰分布的图像。
2. 自适应阈值分割 (Cv2.AdaptiveThreshold())
2.1 核心原理公式
自适应阈值分割通过局部区域的平均值（或加权平均）来确定每个像素的阈值：
![[
T(x, y) = \text{mean}(I(x, y)) - C
]](https://i-blog.csdnimg.cn/direct/a0bc128f63a8459184055ecb3fc2e0e1.png)
- (\text{mean}(I(x, y)))：邻域区域内像素的平均值
- (C)：常数，用于调整阈值的灵敏度
2.2 算法功能
自适应阈值分割能处理图像中光照不均的情况，尤其适合处理背景和前景亮度差异较大的图像。
2.3 对应算子
Cv2.AdaptiveThreshold()算子用于执行自适应阈值分割。
2.4 算子参数
Cv2.AdaptiveThreshold(Mat src, Mat dst, double maxValue, AdaptiveThresholdTypes adaptiveMethod, ThresholdTypes thresholdType, int blockSize, double C);
- src：输入图像（单通道灰度图像）。
- dst：输出图像（处理后的二值化图像）。
- maxValue：当像素值大于局部阈值时的最大值。
- adaptiveMethod：自适应方法，如
GaussianC或MeanC。 - thresholdType：阈值类型，通常为
Binary或BinaryInv。 - blockSize：计算局部阈值时使用的邻域大小，必须是奇数。
- C：常数，用于从局部均值中减去的值。
2.5 使用场景
- 适用于光照不均匀的图像，如文档图像、自然场景中的目标分割。
- 常用于处理具有不同亮度条件的图像，如阳光直射或阴影区域。
2.6 使用注意事项
- 块大小：选择合适的块大小非常重要，较小的块适合局部光照变化较小的图像，较大的块适合全图光照变化较大的图像。
- 常数C：常数C决定了阈值的灵敏度，较大的C值使得算法更保守，较小的C值容易将背景判定为前景。
2.7 优缺点
- 优点：适应光照变化强，能够自动调整阈值。
- 缺点：计算复杂度较高，特别是大图像时会消耗较多的计算资源。
2.8 运行时间优化方法
- 调整邻域块大小：使用较小的块大小可以减少计算量，但可能会损失一定的效果。
- 并行处理：对于大图像，可以利用多线程或GPU加速来提高速度。
2.9 算法实际案例
using OpenCvSharp;
// 读取图像
Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
// 进行自适应阈值分割
Mat dst = new Mat();
Cv2.AdaptiveThreshold(src, dst, 255, AdaptiveThresholdTypes.GaussianC, ThresholdTypes.Binary, 11, 2);
// 显示结果
Cv2.ImShow("Adaptive Threshold", dst);
Cv2.WaitKey(0);
Cv2.DestroyAllWindows();
2.10 案例细节
在此例中，使用高斯加权均值计算局部区域的阈值，块大小为 11，常数C为2，这些参数适用于光照变化较大的图像。
2.11 结合其他相关算法搭配使用
- 可与
Cv2.Canny()边缘检测结合，进行图像的边缘提取。 - 可与
Cv2.MorphologyEx()的形态学操作结合，用于进一步处理自适应分割后的结果。
2.12 相似或平替算法
- 局部二值模式 (Local Binary Pattern, LBP)：可用于图像的纹理分类，虽然它与阈值分割不同，但可以用作另一种分割的替代方法。
3. Otsu 阈值分割 (Cv2.Threshold() with Otsu)
3.1 核心原理公式
Otsu 方法通过最大化类间方差来自动选择最佳的阈值。公式如下：
![[
\sigma_B^2(T) = \frac{N_1(T)(\mu_1(T) - \mu_T)^2 + N_2(T)(\mu_2(T) - \mu_T)^2}{N_1(T) + N_2(T)}
]](https://i-blog.csdnimg.cn/direct/43e1113f9a7940d3870f497b4b727c47.png)
其中：
- (N_1(T)) 和 (N_2(T)) 是阈值 (T) 分割后的前景和背景区域的像素数目。
- (\mu_1(T)) 和 (\mu_2(T)) 分别是前景和背景区域的均值。
- (\mu_T) 是整个图像的平均值。
通过这个公式，Otsu 方法计算出一个最佳阈值 (T^*)，使得前景和背景的类间方差最大，从而实现最优的图像分割。
3.2 算法功能
Otsu 阈值分割可以自动计算出图像的最佳阈值，而不需要人工选择阈值。适用于图像的前景和背景具有明显亮度差异的情况，且图像的灰度值分布呈双峰。
3.3 对应算子
Cv2.Threshold()算子，配合ThresholdTypes.Otsu类型来实现 Otsu 阈值自动分割。
3.4 算子参数
Cv2.Threshold(Mat src, Mat dst, double thresh, double maxval, ThresholdTypes type);
- src：输入图像（单通道灰度图像）。
- dst：输出图像（经过分割的二值化图像）。
- thresh：通常设为 0（Otsu 方法会自动计算）。
- maxval：大于最佳阈值时的像素值。
- type：
ThresholdTypes.Otsu，表示使用 Otsu 算法来计算阈值。
3.5 使用场景
- 适用于图像灰度分布呈双峰的情况，通常是前景和背景有显著区分。
- 用于医学图像、文档分析、二值化图像等领域。
3.6 使用注意事项
- Otsu 方法通常适用于图像灰度值分布明确、双峰分布的图像。如果图像的灰度值分布不是双峰的，Otsu 方法的效果可能不佳。
- 处理噪声较多的图像时，Otsu 方法可能会受到噪声的影响，导致不理想的分割结果。
3.7 优缺点
- 优点：
- 无需人工选择阈值，自动计算。
- 适用于双峰分布的图像。
- 缺点：
- 对图像的噪声敏感。
- 只适合单一阈值的分割，无法处理复杂的分割问题（如多区域分割）。
3.8 运行时间优化方法
- 噪声过滤：在应用 Otsu 阈值之前，进行噪声去除（如使用中值滤波、均值滤波等）可以提高其稳定性。
- 多线程或GPU加速：对于大规模图像，可以使用并行计算来加速 Otsu 阈值的计算过程。
3.9 算法实际案例
using OpenCvSharp;
// 读取图像
Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
// 进行 Otsu 阈值分割
Mat dst = new Mat();
Cv2.Threshold(src, dst, 0, 255, ThresholdTypes.Binary | ThresholdTypes.Otsu);
// 显示结果
Cv2.ImShow("Otsu Threshold", dst);
Cv2.WaitKey(0);
Cv2.DestroyAllWindows();
3.10 案例细节
在这个例子中，阈值被设为 0，表示让 Otsu 算法自动计算最佳的阈值。在 ThresholdTypes.Binary | ThresholdTypes.Otsu 中，Binary 表示分割为二值图像，Otsu 表示自动选择最佳阈值。
3.11 结合其他相关算法搭配使用
- 可以与 噪声去除算法（如中值滤波、Gaussian滤波）结合，先去噪再应用 Otsu 阈值分割。
- 可以与 形态学操作（如膨胀、腐蚀）结合，进一步优化分割结果，去除小的噪点或连接分离的区域。
3.12 相似或平替算法
- K-means 聚类：通过聚类分析进行分割，适用于复杂分布的图像，尤其是多峰分布的图像。
- 最大熵阈值法：通过最大化图像熵来选择阈值，适用于光照不均的图像。
4. 迭代法（比如 K-means 聚类法）
4.1 核心原理公式
K-means 是一种聚类算法，通过迭代来最小化图像中每个像素点到其对应簇中心的距离，从而实现图像的分割。其基本公式为：
![[
J = \sum_{i=1}^{N} \sum_{k=1}^{K} r_{ik} ||x_i - c_k||^2
]](https://i-blog.csdnimg.cn/direct/5845b5a5b7d849039261045539720281.png)
其中：
- (x_i) 是像素值，(c_k) 是簇中心。
- (r_{ik}) 是指示函数，表示像素 (x_i) 是否属于簇 (k)。
- (J) 是目标函数，表示簇内的距离平方和，目标是最小化这个值。
4.2 算法功能
K-means 聚类方法通过对像素进行聚类，将图像分为 K 个区域。对于阈值分割，可以将图像的灰度值进行聚类，基于聚类结果确定分割阈值。
4.3 对应算子
- OpenCV 提供了
Cv2.Kmeans()算子来执行 K-means 聚类，虽然它本身并非一个阈值分割方法，但可以用于图像的阈值分割。
4.4 算子参数
Cv2.Kmeans(Mat data, int K, Mat labels, TermCriteria criteria, int attempts, KMeansFlags flags, Mat centers);
- data：输入数据，通常是图像的像素值。
- K：簇的数量。
- labels：每个数据点所属簇的标签。
- criteria：停止条件，通常是迭代次数或变化的最小阈值。
- attempts：算法运行的次数。
- flags：使用的标志位。
- centers：每个簇的中心。
4.5 使用场景
- 适用于图像中像素值分布不均匀的情况。
- 对于需要分割多个区域的图像，K-means 聚类方法可以有效地找到多个阈值。
4.6 使用注意事项
- K-means 聚类方法要求输入数据是高维的，因此图像需要展开成一维数据进行处理，或者使用多通道数据进行多类分割。
- 算法需要预先指定簇的数目（K值），选择合适的 K 值是关键。
4.7 优缺点
- 优点：
- 适用于多区域的图像分割，能够处理复杂的图像。
- 不依赖于图像的灰度分布，可以应对不规则图像。
- 缺点：
- 对初始值敏感，容易陷入局部最优解。
- 对噪声敏感，需要进行预处理。
4.8 运行时间优化方法
- 减少簇数：选择合理的 K 值可以减少计算量。
- 并行化计算：可以通过多线程或GPU加速来提高K-means的计算效率。
4.9 算法实际案例（续）
using OpenCvSharp;
// 读取图像并转换为单通道灰度图像
Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
src = src.Reshape(1, src.Rows * src.Cols); // 将图像转换为一维数据，适合进行聚类
// 转换数据类型为浮动类型
src.ConvertTo(src, MatType.CV_32F);
// 设定K值（簇数）和聚类的参数
int K = 2; // 设定为2个簇（背景和前景）
Mat labels = new Mat(); // 用于存储每个像素的标签
Mat centers = new Mat(); // 用于存储每个簇的中心
// 设置终止条件：最多迭代100次，或者当簇中心的变化小于1e-4时停止
TermCriteria criteria = new TermCriteria(CriteriaTypes.Eps | CriteriaTypes.MaxIter, 100, 1e-4);
// 执行 K-means 聚类算法
Cv2.Kmeans(src, K, labels, criteria, 10, KMeansFlags.PpCenters, centers);
// 将聚类结果还原为图像
Mat clusteredImage = new Mat(src.Rows, src.Cols, MatType.CV_8U);
for (int i = 0; i < src.Rows * src.Cols; i++)
{
int label = labels.At<int>(i);
clusteredImage.Set(i / src.Cols, i % src.Cols, label == 0 ? 0 : 255); // 根据标签设定前景或背景
}
// 显示结果
Cv2.ImShow("Clustered Image", clusteredImage);
Cv2.WaitKey(0);
Cv2.DestroyAllWindows();
4.10 案例细节
- 这里将原图像展开为一维数组，转换为浮动类型（
CV_32F），这是因为 K-means 聚类算法需要处理浮动类型数据。 TermCriteria设置了终止条件，算法最多迭代 100 次，或者当簇中心变化小于 1e-4 时停止。KMeansFlags.PpCenters是选择聚类中心的初始化方法之一，表示使用 K-means++ 方法初始化中心点。src.Rows * src.Cols是图像的像素总数，用来表示一维数组的大小。- 最后，通过
labels中的每个像素标签来决定其属于哪个簇，按照标签值将图像重构为聚类后的二值图像。
4.11 使用场景
K-means 聚类广泛应用于：
- 图像分割，尤其是需要多区域分割时。
- 噪声较大的图像，K-means 能够自动将不同区域分开。
- 复杂图像，例如图像中有多个前景或背景区域的情况。
4.12 使用注意事项
- 选择 K 值：K-means 聚类方法需要手动选择 K 值，即聚类簇的数量。对于简单的二值化任务，K 值通常为 2。但对于复杂的图像，可能需要选择更多的簇，并通过实验来优化 K 值。
- 聚类初始值敏感性：K-means 算法对初始簇中心点的选择比较敏感，使用 K-means++ 方法可以缓解这个问题。
- 噪声和离群点的处理：K-means 对噪声和离群点较为敏感，因此在进行聚类前，最好先对图像进行去噪处理。
4.13 优缺点
- 优点：
- 能处理多类的图像分割，不仅仅局限于二值化。
- 可适应复杂的图像结构，尤其是在多个区域分离的场景下表现良好。
- 聚类的过程可以自动分组，并且基于距离度量，聚类效果较为直观。
- 缺点：
- 算法对初始簇中心比较敏感，可能导致局部最优解。
- 必须事先指定簇数 K，对于某些情况下簇数的选择可能不太直观。
- 对噪声较为敏感，可能影响分割的准确性。
4.14 运行时间优化方法
- 并行化计算：K-means 可以通过并行计算加速，特别是在处理大规模图像时，使用多线程或 GPU 加速可以显著提升性能。
- 提前过滤：对图像进行初步的预处理，去除噪声或进行降维，能够减少 K-means 的计算复杂度。
- 减少 K 值：对于简单的二值图像，选择 K=2，可以大大减少计算时间。
总结
- Otsu 阈值分割 是一个非常高效的自动分割方法，适用于图像具有明显的双峰灰度分布时。它通过最大化类间方差来自动选择最佳阈值，简便易用。
- K-means 聚类 是一种基于距离的聚类算法，通过对像素进行分组，实现图像分割。它适用于复杂场景，能够分割多区域的图像，但需要预先确定聚类簇的数量 K。
在实际应用中，Otsu 通常适用于简单的二值化任务，而 K-means 则适用于多区域或复杂图像分割。可以根据具体的任务需求选择合适的算法，或结合使用这两种方法来提升图像分割的精度和效果。
扫一扫
2098
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
