OpenCV图像阈值

古城微笑少年丶 2023-10-03 08:56 19阅读 0赞

###  ###

### **1.简单阈值** ###

与名字一样，这种方法非常简单。但像素值高于阈值时，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.threshhold(** **)**。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。

**cv2.threshhold(**src,dst,thresh,maxVal,thresholdType **)**

参数：  
src：原图像。  
dst：结果图像。  
thresh：当前阈值。  
maxVal：最大阈值，一般为255.  
thresholdType:阈值类型，主要有下面几种：

**cv2.THRESH\_BINARY** value>threshold? maxVal:0

**cv2.THRESH\_BINARY\_INV** value>threshold?0: maxVal

**cv2.THRESH\_TRUNC** value>threshold?threshold:value

**cv2.THRESH\_TOZERO** value>threshold?value:0

**cv2.THRESH\_TOZERO\_INV** value>threshold?0:value

import cv2
    import numpy as np
    from matplotlib import pyplot as plt
    img=cv2.imread('gradient.png',0)
    # 变灰度图 可选
    img= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    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()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0_size_16_color_FFFFFF_t_70][]

### 2.**自适应阈值** ###

简单阈值使用是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适应于所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。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。 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。

我们使用下面的代码来展示简单阈值与自适应阈值的差别：

import cv2
    import numpy as np
    from matplotlib import pyplot as plt
    img = cv2.imread('dave.jpg',0) # 中值滤波
    img = cv2.medianBlur(img,5)
    ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    #11 为 Block size, 2 为 C 值
    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()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0_size_16_color_FFFFFF_t_70 1][]

### 3.**Otsu****二值化** ###

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（flflag ） **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。

下面的例子中，输入图像是一副带有噪声的图像。第一种方法，我们设127 为全局阈值。第二种方法，我们直接使用 Otsu  二值化。第三种方法，我们首先使用一个 5x5  的高斯核除去噪音，然后再使用  Otsu  二值化。看看噪音去除对结果的影响有多大吧

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
    #（5,5）为高斯核的大小，0 为标准差
    blur = cv2.GaussianBlur(img,(5,5),0) # 阈值一定要设为 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"] # 这里使用了 pyplot 中画直方图的方法，plt.hist, 要注意的是它的参数是一维数组
    # 所以这里使用了（numpy）ravel 方法，将多维数组转换成一维，也可以使用 flatten 方法
    #ndarray.flat 1-D iterator over an array.
    #ndarray.flatten 1-D array copy of the elements of an array in row-major order.
    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()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0_size_16_color_FFFFFF_t_70 2][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210622174957881.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210622180342416.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210623083853401.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW4wNzEwODMwMTE0,size_16,color_FFFFFF,t_70