目标
在本教程中，您将学习
简单的阈值、自适应阈值、Otsu的阈值等。
你将学习这些功能: cv.threshold, cv.adaptiveThreshold 等等。
- 简单的阈值
在这里，事情是直截了当的。如果像素值大于阈值，那么它就被赋值一个值（可能是白色），否则它会被赋值另一个值（可能是黑色）。所使用的函数是cv.threshold.。
第一个参数是源图像，它应该是一个灰度图像。
第二个参数是用来对像素值进行分类的阈值。
第三个参数是maxVal，它表示如果像素值大于（有时小于）阈值，则给出的值。
OpenCV提供了不同的阈值模式，它是由函数的第四个参数决定的。不同的类型:
文档清楚地解释了每种类型的含义。请查看文档。
两个输出：
第一个是retval返回值类型说明，稍后将会解释。
第二个输出是我们的阈值图像。
代码:
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('park.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')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
分割结果
- 自适应阈值
在上一节中，我们使用全局值作为阈值。但在不同地区，图像具有不同的光照条件，这可能并不好。在这种情况下，我们选择自适应阈值。在此基础上，该算法计算了图像的一个小区域的阈值。所以我们对同一图像的不同区域有不同的阈值，它给我们提供了更好的结果，对于不同的光照。
它有三个“特殊”输入参数，只有一个输出参数。
Adaptive Method --自适应方法，决定了阈值的计算值。
cv.ADAPTIVE_THRESH_MEAN_C：阈值是相邻区域的平均值。
cv.ADAPTIVE_THRESH_GAUSSIAN_C。阈值是相邻值的加权总和，权重为高斯窗口。
Block Size——它决定了邻近区域的大小。
C它只是一个常数，从均值或加权平均值中减去。
下面的代码比较了具有不同光照的图像的全球阈值和自适应阈值。
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('xiangqi.jpg',0)
img = cv.medianBlur(img,5)
ret,th1 = cv.threshold(img,118,255,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)
titles = ['Original Image', 'Global Thresholding (v = 118)',
'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()
首先进行二值化
在第一部分中，我告诉过您还有第二个参数retVal。当我们去看大津的二化时，它的用处就来了。那么它是什么呢?
在全局阈值中，我们对阈值使用了任意值，对吧？那么，我们怎么知道我们选择的值是好还是坏呢？答案是，试错法。但是考虑一个双峰图像（简单地说，双峰图像是一个直方图有两个峰值的图像）。对于这个图像，我们可以在这些峰的中间取一个值作为阈值，对吧？这就是Otsu bin化的作用。简单地说，它会自动计算一个双峰图像的图像直方图的阈值。（对于那些不是双峰的图像，二化是不准确的。）
为此，我们使用了cv.threshold（）函数，但是传递了一个额外的标志，cv.THRESH OTSU。对于阈值，只需传递零。然后该算法找到最优阈值，并将其作为第二个输出返回，retVal。如果没有使用Otsu阈值，那么retVal与您使用的阈值相同。
看看下面的例子。输入图像是一个嘈杂的图像。在第一种情况下，我应用了全局阈值，值为127。在第二种情况下，我直接应用了Otsu的阈值。在第三种情况下，我用5x5高斯核过滤了图像，以消除噪声，然后应用Otsu阈值。看看噪声过滤是如何改进结果的。
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('xiangqi.jpg',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()
首先进行二值化
在第一部分中，我告诉过您还有第二个参数retVal。当我们去看大津的二化时，它的用处就来了。那么它是什么呢?
在全局阈值中，我们对阈值使用了任意值，对吧？那么，我们怎么知道我们选择的值是好还是坏呢？答案是，试错法。但是考虑一个双峰图像（简单地说，双峰图像是一个直方图有两个峰值的图像）。对于这个图像，我们可以在这些峰的中间取一个值作为阈值，对吧？这就是Otsu bin化的作用。简单地说，它会自动计算一个双峰图像的图像直方图的阈值。（对于那些不是双峰的图像，二化是不准确的。）
为此，我们使用了cv.threshold（）函数，但是传递了一个额外的标志，cv.THRESH OTSU。对于阈值，只需传递零。然后该算法找到最优阈值，并将其作为第二个输出返回，retVal。如果没有使用Otsu阈值，那么retVal与您使用的阈值相同。
看看下面的例子。输入图像是一个嘈杂的图像。在第一种情况下，我应用了全局阈值，值为127。在第二种情况下，我直接应用了Otsu的阈值。在第三种情况下，我用5x5高斯核过滤了图像，以消除噪声，然后应用Otsu阈值。看看噪声过滤是如何改进结果的。
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('xiangqi.jpg',0)
blur = cv.GaussianBlur(img,(5,5),0)
# find normalized_histogram, and its cumulative distribution function
hist = cv.calcHist([blur],[0],None,[256],[0,256])
hist_norm = hist.ravel()/hist.max()
Q = hist_norm.cumsum()
bins = np.arange(256)
fn_min = np.inf
thresh = -1
for i in range(1,256):
p1,p2 = np.hsplit(hist_norm,[i]) # probabilities
q1,q2 = Q[i],Q[255]-Q[i] # cum sum of classes
b1,b2 = np.hsplit(bins,[i]) # weights
# finding means and variances
m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2
v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2
# calculates the minimization function
fn = v1*q1 + v2*q2
if fn < fn_min:
fn_min = fn
thresh = i
# find otsu's threshold value with OpenCV function
ret, otsu = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
print( "{} {}".format(thresh,ret) )
107 106.0（其中一些功能可能是新的，但我们将在接下来的章节中介绍它们）