数字图像处理(10): OpenCV 图像阈值化处理

1 什么是阈值化- threshold()

2 二进制阈值化

3 反二进制阈值化

1 什么是阈值化- threshold()

图像的二值化或阈值化 (Binarization) 旨在提取图像中的目标物体，将背景以及噪声区分开来。通常会设定一个阈值 $T$ ，通过阈值 $T$ 将图像的像素划分为两类：大于阈值 ${\color{Red} T}$ 的像素群和小于阈值 ${\color{Red} T}$ 的像素群。

灰度转换处理后的图像中，每个像素都只有一个灰度值，其大小表示明暗程度。二值化处理可以将图像中的像素划分为两类颜色，常用的二值化算法如下所示：

$\left\{ {\begin{array}{*{20}{c}} {Y = 0}&, \\ {Y = 255}&, \end{array}\begin{array}{*{20}{c}} {gray < T} \\ {gray > = T} \end{array}} \right.$

其中，当灰度Gray小于阈值T时，其像素设置为0，表示黑色；

当灰度Gray大于或等于阈值T时，其Y值为255，表示白色。

Python OpenCV中提供了阈值函数 threshold() 实现二值化处理，其函数形式及参数如下图所示：

retval, dst = cv2.threshold(src, thresh, maxval, type)

retval：阈值 dst：处理结果

src,：原图像

thresh：阈值

maxval：最大值

type：类

常用的方法如下表所示，其中函数中的参数Gray表示灰度图，参数127表示对像素值进行分类的阈值，参数255表示像素值高于阈值时应该被赋予的新像素值，最后一个参数对应不同的阈值处理方法。

对应OpenCV提供的五张图如下所示，第一张为原图，后面依次为：

二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0 和 阈值化为0 。

二值化处理广泛应用于各行各业，比如生物学中的细胞图分割、交通领域的车牌设别等。在文化应用领域中，通过二值化处理将所需民族文物图像转换为黑白两色图，从而为后面的图像识别提供更好的支撑作用。下图表示图像经过各种二值化处理算法后的结果，其中“BINARY”是最常见的黑白两色处理。下面将依次对5种阈值化处理方法进行介绍以及实验对比。

2 二进制阈值化

二进制阈值化方法先要选定一个特定的阈值量，比如127。新的阈值产生规则如下：

$dst(x,y) = \left\{ {\begin{array}{*{20}{c}} {\max Val}&,\\ 0&, \end{array}\begin{array}{*{20}{c}} {if{\rm{ }}src(x,y) > thresh}\\ {otherwise} \end{array}} \right.$

(1) 大于等于127的像素点的灰度值设定为最大值（如8位灰度值最大为255）；

(2) 灰度值小于127的像素点的灰度值设定为0 ；

例如，163->255，86->0，102->0，201->255

使用关键字为：cv2.THRESH_BINARY

例如：r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY)

代码如下：

#encoding:utf-8
import cv2
import numpy as np

#读取图片
src = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二进制阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY)
print (r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下图所示：（R, B两个通道均使用了阈值处理）

3 反二进制阈值化

反二进制阈值化方法与二进制阈值化方法相似，先要选定一个特定的灰度值作为阈值，比如127。新的阈值产生规则如下公式所示：

$dst(x,y) = \left\{ {\begin{array}{*{20}{c}} 0&,\\ {\max Val}&, \end{array}\begin{array}{*{20}{c}} {if{\rm{ }}src(x,y) > thresh}\\ {otherwise} \end{array}} \right.$

(1) 大于127的像素点的灰度值设定为0（以8位灰度图为例）；

(2) 小于该阈值的灰度值设定为255；

例如，163->0，86->255，102->255，201->0。

使用关键字为： cv2.THRESH_BINARY_INV

例如：r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV)

代码如下：

#encoding:utf-8
import cv2
import numpy as np

#读取图片
src = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二进制阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV)
print (r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下图所示：

4 截断阈值化

截断阈值化方法需要选定一个阈值，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变，比如127。新的阈值产生规则如下：

$dst(x,y) = \left\{ {\begin{array}{*{20}{c}} {threshold}&,\\ {src(x,y)}&, \end{array}\begin{array}{*{20}{c}} {if{\rm{ }}src(x,y) > thresh}\\ {otherwise} \end{array}} \right.$

(1) 大于等于127的像素点的灰度值设定为该阈值127；

(2) 小于该阈值的灰度值不改变；

例如，163->127，86->86，102->102，201->127。

使用关键字为： cv2.THRESH_TRUNC

例如：r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)

代码如下：

#encoding:utf-8
import cv2
import numpy as np

#读取图片
src = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截断阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)
print (r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下图所示：[ 该处理方法相当于把图像中比较亮（大于127，偏向于白色）的像素值处理为阈值。]

5 反阈值化为0

反阈值化为0 方法先选定一个阈值，比如127，接着对图像的灰度值进行如下处理：

$dst(x,y) = \left\{ {\begin{array}{*{20}{c}} 0&,\\ {src(x,y)}&, \end{array}\begin{array}{*{20}{c}} {if{\rm{ }}src(x,y) > thresh}\\ {otherwise} \end{array}} \right.$

(1) 大于等于阈值127的像素点变为0 ；

(2) 小于该阈值的像素点值保持不变；

例如，163->0，86->86，102->102，201->0。

使用关键字为： cv2.THRESH_TOZERO_INV

例如：r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)

代码如下：

#encoding:utf-8
import cv2
import numpy as np

#读取图片
src = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反阈值化为0处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)
print (r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下图所示：

6 阈值化为0

阈值化为0 方法先选定一个阈值，比如127，接着对图像的灰度值进行如下处理：

$dst(x,y) = \left\{ {\begin{array}{*{20}{c}} {src(x,y)}&,\\ 0&, \end{array}\begin{array}{*{20}{c}} {if{\rm{ }}src(x,y) > thresh}\\ {otherwise} \end{array}} \right.$

(1) 大于等于阈值127的像素点，值保持不变；

(2) 小于该阈值的像素点值设置为0 ；

例如，163->163，86->0，102->0，201->201。

使用关键字为： cv2.THRESH_TOZERO

例如：r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)

代码如下：

#encoding:utf-8
import cv2
import numpy as np

#读取图片
src = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#阈值化为0处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)
print (r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下图所示：（该方法把比较亮的部分不变，比较暗的部分处理为0。）

小结

把上面提及的五种阈值处理方法（二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0 和 阈值化为0）放在一起进行对比

代码如下所示：（注意一个窗口多张图像的用法）

#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt

#读取图像
img = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#阈值化处理
ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)

#显示结果
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [GrayImage, 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()

运行结果如下所示：（注意一个窗口多张图像的用法）

参考资料

[1] https://blog.csdn.net/Eastmount/article/details/83548652

[2] Python+OpenCV图像处理