文章目录
1.简单阈值
- cv2.threshold()
ret,dst = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
当像素值高于阈值时,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.threshold()。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。
返回值ret在进行otsu’s二值化的时候会用到,dst就是返回的灰度图像了。
def simple_thresh(self):
gray=cv2.imread(self.infile,0)
ret,thresh1=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3= cv2.threshold(gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(gray, 127, 255, cv2.THRESH_TOZERO_INV)
titles=['raw','binary','binary_inv','trunc','tozero','tozero_inv']
images=[gray,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()
可以看到在阈值相同,以及目标颜色都为白色的情况下:
- binary:超过的都变白,低于的都变黑。
- binary_inv:低于的都变白,超过的都变黑。
- trunc:超过的都变白。
- tozero:超过的都变0即黑。这个flag和目标颜色没啥关系。
- tozero_inv:低于的都变0即黑。这个flag和目标颜色也没关系。
2.自适应阈值
- cv2.adaptiveThreshold()
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。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。
dst = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2)
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。
def adaptive_threshold(self):
gray=cv2.imread(self.infile,0)
gray=cv2.medianBlur(gray,5)#中值滤波
ret,th1=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
th2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, \
cv2.THRESH_BINARY, 11, 2)
titles=['raw','simple binary','adaptive mean','adaptive gaussian']
images=[gray,th1,th2,th3]
for i in range(4):
plt.subplot(1,4,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
3.Otsu’s二值化
- cv2.threshold()
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。
cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
因为我暂时还没有碰到双峰图像处理的场景,所以就先不尝试啦。用到再回来填坑。