OpenCV图像阈值

目标

在本教程中，您将学习简单的阈值，自适应的阈值，Otsu的阈值等等。
您将学习以下功能：cv2.threshold, cv2.adaptiveThreshold等

简单阈值

在这里，事情是直截了当的。如果像素值大于阈值，则分配给它一个值(可以是白色的)，否则它被分配给另一个值(可能是黑色)。所使用的功能是cv2.threshold。第一个参数是源图像，其中应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是maxVal，它表示像素值大于(有时小于)阈值时要给出的值。OpenCV提供了不同类型的阈值，它由函数的第四个参数决定。不同的类型有：

cv2.THRESH_BINARY

cv2.THRESH_BINARY_INV

cv2.THRESH_TRUNC

cv2.THRESH_TOZERO

cv2.THRESH_TOZERO_INV

文档清楚地解释了每种类型的含义。请看一下文件。

得到两个输出。第一个是复核稍后再解释。第二个输出是我们的阈值图像.

代码：

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

img = cv2.imread('gradient.png',0)
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 Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in xrange(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])

plt.show()

注:为了绘制多幅图像，我们使用了plt.subplot()功能。

结果如下:

自适应阈值

在上一节中，我们使用了一个全局值作为阈值。但是在图像在不同的区域有不同的照明条件的情况下，它可能并不是很好。在这种情况下，我们采用自适应阈值。在此基础上，算法计算了图像的一个小区域的阈值。因此，对于同一幅图像的不同区域，我们得到了不同的阈值，对于光照不同的图像，我们得到了更好的结果。

它有三个“特殊”输入参数和一个输出参数。

自适应方法-它决定如何计算阈值。

cv2.ADAPTIVE_THRESH_MEAN_C ：阈值是邻域面积的平均值。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是权值为高斯窗口的邻域值的加权和。

Block Size-它决定邻里地区的大小。

C-它只是一个常数，从计算的平均数或加权平均数中减去。

下面的代码比较了不同光照的图像的全局阈值和自适应阈值：

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

img = cv2.imread('dave.jpg',0)
img = cv2.medianBlur(img,5)

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
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 xrange(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

结果:

Otsu的二值化

在第一部分中，我告诉过您有第二个参数retVal。当我们使用Otsu的“二值化”时，就会用到它。那是什么？

在全局阈值处理中，我们使用了一个任意的阈值，对吗？那么，我们怎么知道我们选择的值是好的还是坏的呢？答案是，试错法。但考虑一下bimodal image(简单地说，双峰图像是一种直方图有两个峰值的图像。)对于那个图像，我们可以在这些峰值中间取一个值作为阈值，对吗？这就是Otsu二值化所做的。因此，在简单的话，它自动计算一个阈值从图像直方图的双峰图像。(对于不是双峰的图像，二值化是不准确的。)

为此，我们使用cv2.threshold()函数，但是传递一个额外的标志，cv2.THRESH_OTSU。 对于阈值，只需通过零。然后该算法找到最优阈值并将您作为第二个输出返回，retVal 。如果不使用Otsu阈值，retVal与您使用的阈值相同。

查看下面的示例。输入图像是一种噪声图像。在第一种情况下，我应用全局阈值为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高斯核对图像进行滤波以去除噪声，然后进行Otsu阈值处理。看看噪声过滤是如何改善结果的。

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

img = cv2.imread('noisy2.png',0)

# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.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 xrange(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()

结果：

目标

简单阈值

自适应阈值

Otsu的二值化

猜你喜欢