Python-OpenCV中的图像处理-图像阀值

图像阈值

单阈值

与名字一样这种方法非常简单。但像素值高于阈值时我们给这个像素赋予一个新值可能是白色否则我们给它赋予另外一种颜色也许是黑色。这个函数就是 cv2.threshhold()。这个函数的第一个参数就是原图像原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阈值。第三个参数就是当像素值高于有时是小于阈值时应该被赋予的新的像素值。 OpenCV提供了多种不同的阈值方法这是有第四个参数来决定的。这些方法包括

• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

import numpy as np
import cv2
from matplotlib import pyplot as plt

# 单阈值
img = cv2.imread('./resource/opencv/image/colorscale_bone.jpg', cv2.IMREAD_GRAYSCALE)

ret,thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['original', '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'),plt.title(titles[i])
    plt.xticks([]),plt.yticks([])

plt.show()

自适应阈值

在前面的部分我们使用是全局阈值整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值从而使我们能在亮度不同的情况下得到更好的结果。这种方法需要我们指定三个参数返回值只有一个。

• Adaptive Method- 指定计算阈值的方法。
  – cv2.ADPTIVE_THRESH_MEAN_C阈值取自相邻区域的平
  均值
  – cv2.ADPTIVE_THRESH_GAUSSIAN_C阈值取值相邻区域
  的加权和权重为一个高斯窗口。
• Block Size - 邻域大小用来计算阈值的区域大小。
• C - 这就是是一个常数阈值就等于的平均值或者加权平均值减去这个常
  数。

import numpy as np
import cv2
from matplotlib import pyplot as plt


# 自适应阀值
img = cv2.imread('./resource/opencv/image/sudoku.png', cv2.IMREAD_GRAYSCALE)

# 中值滤波
img = cv2.medianBlur(img, 5)

(ret, th1) = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 自适应阀值 11 为block size, 2为C值
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

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()

Otsu’s二值化

在使用全局阈值时我们就是随便给了一个数来做阈值那我们怎么知道我们选取的这个数的好坏呢答案就是不停的尝试。如果是一副双峰图像简单来说双峰图像是指图像直方图中存在两个峰呢我们岂不是应该在两个峰之间的峰谷选一个值作为阈值这就是 Otsu 二值化要做的。简单来说就是对一副双峰图像自动根据其直方图计算出一个阈值。对于非双峰图像这种方法得到的结果可能会不理想。这里用到到的函数还是 cv2.threshold()但是需要多传入一个参数 flag cv2.THRESH_OTSU。这时要把阈值设为 0。然后算法会找到最
优阈值这个最优阈值就是返回值 retVal。如果不使用 Otsu 二值化返回的
retVal 值与设定的阈值相等。下面的例子中输入图像是一副带有噪声的图像。第一种方法我们设127 为全局阈值。第二种方法我们直接使用 Otsu 二值化。第三种方法我们首先使用一个 5x5 的高斯核除去噪音然后再使用 Otsu 二值化。

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('./resource/opencv/image/Template_Matching_Correl_Result_2.jpg', cv2.IMREAD_GRAYSCALE)

(ret1,th1) = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
(ret2,th2) = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# (5,5)为高斯核的大小0为标准差
blur = cv2.GaussianBlur(img, (5,5), 0) # 高斯滤波

# 阀值一定要设为0
(ret3, th3) = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

images = [img, 0, th1,
            img, 0, th2,
                img, 0, th3]
titles = ['original noisy image', 'histogram', 'global thresholding(v=127)',
            'original noisy image','histogram',"otsu's thresholding",
            'gaussian giltered image','histogram',"otus'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()