OpenCV二值化--cv2.threshold（）函数、cv2.adaptiveThreshold()函数

@[toc]

目录

1、cv2.threshold（）函数

2、cv2.adaptiveThreshold()函数

3、3、什么时候用cv2.adaptiveThreshold()函数

一、cv2.threshold（）函数

ret, th = cv2.threshold(src, thresh, maxval, type)
#src表示输入的图片， thresh表示阈值， maxval表示最大值， type表示阈值的类型

type的类型

1.cv2.THRESH_BINARY   表示阈值的二值化操作，大于阈值使用maxval表示，小于阈值使用0表示

2. cv2.THRESH_BINARY_INV 表示阈值的二值化翻转操作，大于阈值的使用0表示，小于阈值的使用最大值表示

3. cv2.THRESH_TRUNC 表示进行截断操作，大于阈值的使用阈值表示，小于阈值的不变

4. cv2.THRESH_TOZERO 表示进行化零操作，大于阈值的不变，小于阈值的使用0表示

5. cv2.THRESH_TOZERO_INV 表示进行化零操作的翻转，大于阈值的使用0表示，小于阈值的不变

二、cv2.adaptiveThreshold()函数

cv2.adaptiveThreshold（）来实现自适应阈值

dst=cv.adaptiveThreshold（src,maxValue,adaptiveMethod,thresholdType,blockSize,C）
#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 代表阈值处理方式，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。

adaptiveMethod代表自适应方法
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。

代码实例：

import numpy as np
import cv2
img = cv2.imread("./12.jpg")
dst = cv2.resize(img, None, fx=0.5, fy=0.5,
                  interpolation=cv2.INTER_CUBIC)#调整图片大小

dst = cv2.cvtColor(dst, cv2.COLOR_BGR2GRAY)
rett,th1 = cv2.threshold(dst,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(dst,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
            cv2.THRESH_BINARY,11,2)
#print(th2)
th3 = cv2.adaptiveThreshold(dst,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
            cv2.THRESH_BINARY,11,2)
#print(th3)
cv2.imshow("orignal.jpg",dst)
cv2.imshow("threshold.jpg",th1)
cv2.imshow("adaptiveThreshold-MEAN.jpg",th2)
cv2.imshow("adaptiveThreshold-GAUSSIAN.jpg",th3)
cv2.imwrite("orignal.jpg",dst)
cv2.imwrite("threshold.jpg",th1)
cv2.imwrite("adaptiveThreshold-MEAN.jpg",th2)
cv2.imwrite("adaptiveThreshold-GAUSSIAN.jpg",th3)
print(dst)
print(th1)
print(th2)
print(th3)
cv2.waitKey(0)

输出结果对比：

#print(dst):
[[123 123 123 ... 143 143 142]
 [123 123 123 ... 143 142 141]
 [123 123 123 ... 142 141 140]
 ...
 [ 61  57  55 ... 132 132 135]
 [ 66  68  73 ... 132 132 135]
 [ 77  76  76 ... 132 134 136]]

# print(th1):
[[  0   0   0 ... 255 255 255]
 [  0   0   0 ... 255 255 255]
 [  0   0   0 ... 255 255 255]
 ...
 [  0   0   0 ... 255 255 255]
 [  0   0   0 ... 255 255 255]
 [  0   0   0 ... 255 255 255]]

# print(th2):
[[255 255 255 ... 255 255 255]
 [255 255 255 ... 255 255 255]
 [255 255 255 ... 255 255   0]
 ...
 [255 255 255 ...   0   0 255]
 [255 255 255 ...   0   0 255]
 [255 255 255 ...   0 255 255]]

# print(th3):
[[255 255 255 ... 255 255 255]
 [255 255 255 ... 255 255 255]
 [255 255 255 ... 255 255 255]
 ...
 [255 255 255 ...   0   0 255]
 [255 255 255 ...   0   0 255]
 [255 255 255 ...   0 255 255]]

输出图片对比：

左边是原图，右边是经过灰度处理的图像

左边是cv2.threshold的图

中间是cv2.adaptiveThreshold(dst,255,cv2.ADAPTIVE_THRESH_MEAN_C,\ cv2.THRESH_BINARY,11,2)的图

右边是cv2.adaptiveThreshold(dst,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\ cv2.THRESH_BINARY,11,2)的图

三、什么时候用cv2.adaptiveThreshold()函数

可以看到经过二值化后的图有的部分偏暗，导致二值化后变成全黑，丢失了所有细节，原因threshold函数使用一个阈值对图像进行二值化，导致小于这个阈值的像素点全都变成0。因此使用一个阈值的二值化方法并不适用于上面的这张图。

如何解决这个问题？最简单的方法就是把图分成几个区域，每个区域分别进行二值化，也就是说二值化上面这张图需要不同的阈值按照这个思想，因此有了cv2.adaptiveThreshold函数，也因此在这个情况下需要用cv2.adaptiveThreshold（）函数。