OpenCV阈值处理（threshold函数、自适应阈值处理、Otsu处理）

目录

阈值处理

一.threshold函数

1.二值化阈值处理（cv2.THRESH_BINARY）

2.反二值化阈值处理（ cv2.THRESH_BINARY_INV）

3.截断阈值化处理（cv2.THRESH_TRUNC）

4.超阈值零处理（cv2.THRESH_TOZERO_INV）

5.低阈值零处理（cv2.THRESH_TOZERO）

 二.自适应阈值处理

 三.Otsu处理

---

阈值处理

阈值处理是指剔除图像内像素高于一定值或低于一定值的像素点。例如，设定阈值为127，然后：

1.将图像内所有像素值大于127的像素点的值设为255

2.将图像内所有像素值小于或等于127的像素点的值设为0

通过上述方式能够得到一幅二值图像。

一.threshold函数

OpenCV3.0使用cv2.threshold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代表阈值分割结果图像，与原始图像具有相同的大小和类型。

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代阈值分割的类型（cv2.THRESH_BINARY,  cv2.THRESH_BINARY_INV,  cv2.THRESH_TRUNC,  cv2.THRESH_TOZERO_INV,  cv2.THRESH_TOZERO,  cv2.THRESH_MASK, cv2.THRESH_OTSU, cv2.THRESH_TRIANGLE)。

1.二值化阈值处理（cv2.THRESH_BINARY）

二值化阈值处理会将原始图像处理为仅有两个值的二值图像，其针对的像素点的处理方式为：

1）对于灰度值大于阈值thresh的像素点，将其灰度值设定为最大值。

2）对于灰度值小于或等于阈值thresh的像素点，将其灰度值设定为0。

使用函数cv2.threshold()对数组进行二值化阈值处理，观察处理结果：

import cv2
import numpy as np
# 使用函数cv2.threshold()对数组进行二值化阈值处理
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=", rst)

使用函数cv2.threshold()对图像进行二值化阈值处理，观察处理结果：

import cv2
# 使用函数cv2.threshold()对图像进行二值化阈值处理
img = cv2.imread("../imgs/girl2.png")
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()

左图是原始图像，右图是二值化阈值处理结果。 

2.反二值化阈值处理（ cv2.THRESH_BINARY_INV）

反二值化阈值处理的结果也是仅有两个值的二值图像，与二值化阈值处理的区别在于，二者对像素值的处理方式不同。反二值化阈值处理针对像素点的处理方式为：

1）对于灰度值大于阈值的像素点，将其值设定为0。

2）对于灰度值小于或等于阈值的像素点，将其值设为255。

使用函数cv2.threshold()对数组进行反二值化阈值处理，观察处理结果：

import cv2
import numpy as np
# 使用函数cv2.threshold()对数组进行反二值化阈值处理
img = np.random.randint(0, 256, size=[4,5], dtype=np.uint8)
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
print("img=\n", img)
print("t=", t)
print("rst=", rst)

 

使用函数cv2.threshold()对图像进行反二值化阈值处理，观察处理结果：

import cv2
# 使用函数cv2.threshold()对图像进行反二值化阈值处理
img = cv2.imread("../imgs/02.jpg")
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()

 其中，左图为原图，右图为反二值化阈值处理结果。

3.截断阈值化处理（cv2.THRESH_TRUNC）

截断阈值化处理会将图像中大于阈值的像素点设为值设定为阈值，小于或等于该阈值的像素点的值保持不变。

1）对于像素值大于127的像素点，其像素值被设定为127。

2）对于像素值小于或等于127的像素点，其像素值保持改变。

使用函数cv2.threshold()对数组进行截断阈值化处理，观察处理结果：

import cv2
import numpy as np
# 使用函数cv2.threshold()对数组进行截断阈值化处理
img = np.random.randint(0, 256, size=[4,5], dtype=np.uint8)
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
print("img=\n", img)
print("t=", t)
print("rst=", rst)

 使用函数cv2.threshold()对图像进行截断阈值化处理，观察处理结果：

import cv2
# 使用函数cv2.threshold()对图像进行截断阈值化处理
img = cv2.imread("../imgs/girl2.png")
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()

左图为原始图像，右图为截断阈值化处理结果

4.超阈值零处理（cv2.THRESH_TOZERO_INV）

超阈值零处理会将图像中大于阈值的像素点的值处理为0，小于或等于该阈值的像素点的值保持不变。即先选定一个阈值，然后对图像做如下处理：

1）对于像素值大于阈值的像素点，其像素值将被处理为0.

2）对于像素值小于或等于阈值的像素点，其像素值保持不变。

使用函数cv2.threshold()对数组进行超阈值零处理，观察处理结果：

import cv2
import numpy as np
# 使用函数cv2.threshold()对数组进行超阈值零处理
img = np.random.randint(0, 256, size=[4,5], dtype=np.uint8)
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
print("img=\n", img)
print("t=", t)
print("rst=", rst)

使用函数cv2.threshold()对图像进行超阈值零处理，观察处理结果：

import cv2
# 使用函数cv2.threshold()对图像进行超阈值零处理
img = cv2.imread("../imgs/girl2.png")
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()

 左图为原始图像，右图为超阈值零处理的结果。

5.低阈值零处理（cv2.THRESH_TOZERO）

低阈值处理会将图像中小于或等于阈值的像素点的值处理为0，大于阈值的像素点的值保持不变。

使用函数cv2.threshold()对数组进行低阈值零处理，观察处理结果：

import cv2
import numpy as np
# 使用函数cv2.threshold()对数组进行低阈值零处理
img = np.random.randint(0, 256, size=[4,5], dtype=np.uint8)
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
print("img=\n", img)
print("t=", t)
print("rst=", rst)

 使用函数cv2.threshold()对图像进行低阈值零处理，观察处理结果：

import cv2
# 使用函数cv2.threshold()对图像进行低阈值零处理
img = cv2.imread("../imgs/girl2.png")
t, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()

 二.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 = cv.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代表自适应的方法。

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领域尺寸，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计算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所指定领域的加权平均值减去常量C。两种不同的方法在计算领域的加权平均值时所采用的方式不同：

cv2.ADAPTIVE_THRESH_MEAN_C：领域所有像素点的权重值是一致。

cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与领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。

对一幅图像分别使用二值化阈值函数cv2.threshold()和自适应阈值函数cv2.adaptiveThreshold()进行处理，观察处理结果的差异：

import cv2
img = cv2.imread("../imgs/girl2.png", 0)
t1, thd = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
athdMEAN = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
athdGAUS = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)
cv2.imshow("img", img)
cv2.imshow("thd", thd)
cv2.imshow("athdMEAN", athdMEAN)
cv2.imshow("athdGAUS", athdGAUS)
cv2.waitKey()
cv2.destroyAllWindows()

从左往右依次是原图、二值化阈值处理结果、cv2.ADAPTIVE_THRESH_MEAN_C处理结果、cv2.ADAPTIVE_THRESH_GAUSSIAN_C处理结果。

 三.Otsu处理

在使用函数cv2.threshold()进行阈值处理时，需要自定义一个阈值，并以此阈值作为图像阈值处理的依据。通常情况下处理的图像都是色彩均衡的，这时直接将阈值设为127是比较合适的。

但是，有时图像灰度级的分布是不均衡的，如果此时还将阈值设为127，那么阈处理的结果就是失败的。

简而言之，Otsu方法会遍历所有可能阈值，从而找到最佳的阈值。在使用Otsu方法时，要把阈值设为0。此时的函数cv2.threshold()会自动寻找最优阈值，并将该阈值返回。

t, otsu = cv2.threshold(img, 0, 255, cv2>THRESH_BINARY + cv2.THRESH_OTSU)

与普通阈值分割的不同之处在于：

参数type增加了一个参数值“cv2.THRESH_OTSU”。

设定的阈值为0。

返回值t是Otsu方法计算得到并使用的最优阈值。

import cv2
import numpy as np

img = np.zeros((5, 5), dtype=np.uint8)
img[0:6, 0:6] = 123
img[2:6, 2:6] = 126
print("img=\n", img)
t1, thd = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
print("thd=", thd)
t2, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print("otsu=", otsu)

分别对一幅图像进行普通的二值化阈值处理和Otsu阈值处理，观察处理结果的差异：

import cv2
img = cv2.imread("../imgs/02.jpg", 0)
t1, thd = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
t2, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cv2.imshow("img", img)
cv2.imshow("thd", thd)
cv2.imshow("otsu", otsu)
cv2.waitKey()
cv2.destroyAllWindows()

 从左往右依次是原图、普通二值化阈值处理结果和Otsu处理结果。