opencv的图像处理之图像阈值

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。