阈值处理

Posted 2021-08-26 陨星落云

阈值处理

阈值处理即图像二值化。是图像分割的一种最简单的方法。二值化可以把灰度图像转换成二值图像。把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。

简单阈值

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

参数意义如下:

• src： 输入图，只能输入单通道图像，通常来说为灰度图

• thresh： 阈值

• maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

• type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

• cv2.THRESH_BINARY ：正向二值化,如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为maxval；否则，将该点的像素值设置为0；
  具体的公式如下：

• cv2.THRESH_BINARY_INV ：反向二值化，如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为0；否则，将该点的像素值设置为maxval；
  具体的公式如下：

• cv2.THRESH_TRUNC ：如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为threshold；否则，将该点的像素值不变；
  具体的公式如下：

• cv2.THRESH_TOZERO ：如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值不变；否则，将该点的像素值设置为0；
  具体的公式如下：

• cv2.THRESH_TOZERO_INV：如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为0；否则，将该点的像素值不变；
   

例子

def cv_show(name,image):
    """图像显示函数
    name：字符串，窗口名称
    img：numpy.ndarray，图像
    """
    cv2.namedWindow(name,cv2.WINDOW_NORMAL)
    cv2.imshow(name,image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

def img_show(name,image):
    """matplotlib图像显示函数
    name：字符串，图像标题
    img：numpy.ndarray，图像
    """
    if len(image.shape) == 3:
        image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    plt.imshow(image,\'gray\')
    plt.xticks([])
    plt.yticks([])
    plt.xlabel(name,fontproperties=\'FangSong\',fontsize=12)
if __name__=="__main__":
    
    image = cv2.imread(\'data/Pavlovsk_Railing_of_bridge_Yellow_palace_Winter.jpg\')
    gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY)
    blurred = cv2.GaussianBlur(gray,(5,5),0)
    #(\'original image\',image)
    
    (T,thresh_inv) = cv2.threshold(blurred,127,255,cv2.THRESH_BINARY_INV)
    #cv_show(\'original image\',thresh_inv)
    image_mask = cv2.bitwise_and(gray,gray,mask = thresh_inv)
    #color = cv2.cvtColor(image_mask,cv2.COLOR_GRAY2BGR)
    
    #cv_show(\'image_mask\',image_mask)
    
    plt.figure(figsize=(10,8),dpi=100)
    plt.subplot(131)
    img_show(\'original image\',image)
    plt.subplot(132)
    img_show(\'thresh_inv\',thresh_inv)
    plt.subplot(133)
    img_show(\'image_mask\',image_mask)

 

自适应阈值

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。

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C) 

参数意义如下:

• src：原图，即输入图像，是一个8位单通道的图像；

• maxValue：分配给满足条件的像素的非零值；

• adaptiveMethod：自适应阈值的方法，通常有以下几种方法；

  (1)ADAPTIVE_THRESH_MEAN_C，阈值T(x,y)是(x,y)减去C的Blocksize×Blocksize邻域的平均值。

  (2)ADAPTIVE_THRESH_GAUSSIAN_C ，阈值T(x，y)是(x，y)减去C的Blocksize×Blocksize邻域的加权和(与高斯相关)，默认sigma(标准差)用于指定的Blocksize；具体的情况可以参见getGaussianKernel函数；

• thresholdType：阈值的类型必须是以下两种类型，

  (1)THRESH_BINARY，正向二值化

  (2)THRESH_BINARY_INV ，反向二值化

• blockSize：像素邻域的大小，用来计算像素的阈值，blockSize必须为奇数，例如，3，5，7等等；

• C：从平均数或加权平均数减去常量。通常，它是正的，但也可能是零或负数。

例子

def img_show(name,image):
    """matplotlib图像显示函数
    name：字符串，图像标题
    img：numpy.ndarray，图像
    """
    if len(image.shape) == 3:
        image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    plt.imshow(image,\'gray\')
    plt.xticks([])
    plt.yticks([])
    plt.xlabel(name,fontproperties=\'FangSong\',fontsize=12)
if __name__=="__main__":
    
    image = cv2.imread(\'data/text1.png\')
    gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY)
    
    blurred = cv2.medianBlur(gray,1)
    #(\'original image\',image)
    
    (T,thresh) = cv2.threshold(blurred,127,255,cv2.THRESH_BINARY)
    #cv_show(\'original image\',thresh_inv)
    th1 = cv2.adaptiveThreshold(gray,255,
    cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)
    th1_1 = cv2.medianBlur(th1,5)
    th2 = cv2.adaptiveThreshold(gray,255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
    
    #color = cv2.cvtColor(image_mask,cv2.COLOR_GRAY2BGR)
    
    #cv_show(\'image_mask\',image_mask)
    
    plt.figure(figsize=(7,10),dpi=100)
    plt.subplot(221)
    img_show(\'Original Image\',gray)
    plt.subplot(222)
    img_show(\'Global Thresholding (v = 127)\',thresh)
    plt.subplot(223)
    img_show(\'Adaptive Mean Thresholding\',th1_1)
    plt.subplot(224)
    img_show(\'Adaptive Gaussian Thresholding\',th2)

 

OTSU(大津算法)

OTSU用来自动对基于聚类的图像进行二值化，或者说，将一个灰度图像退化为二值图像。该算法以大津展之命名。该算法假定该图像根据双模直方图（前景像素和背景像素）把包含两类像素，于是它要计算能将两类分开的最佳阈值，使得它们的类内方差最小；由于两两平方距离恒定，所以即它们的类间方差最大。

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。

例子

def img_show(name,image):
    """matplotlib图像显示函数
    name：字符串，图像标题
    img：numpy.ndarray，图像
    """
    if len(image.shape) == 3:
        image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    plt.imshow(image,\'gray\')
    plt.xticks([])
    plt.yticks([])
    plt.xlabel(name,fontproperties=\'FangSong\',fontsize=12)
 
if __name__=="__main__":
    
    image = cv2.imread(\'data/noise.jpg\')

    gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY)
    gray[100:300,100:700]=gray[100:300,100:700]+100
    (T,thresh) = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
    #cv_show(\'original image\',thresh_inv)
    (T,th1) = cv2.threshold(gray,127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    blurred = cv2.GaussianBlur(gray,(5,5),0)
    
    (T,th2) = cv2.threshold(blurred,127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    
    #color = cv2.cvtColor(image_mask,cv2.COLOR_GRAY2BGR)
    
    #cv_show(\'image_mask\',image_mask)
    images = [gray, 0, thresh,gray, 0, th1,blurred, 0, th2]
    titles = [\'Original Noisy Image\',\'Histogram\',\'Global Thresholding (v=127)\',
              \'Original Noisy Image\',\'Histogram\',"Otsu\'s Thresholding",
              \'Gaussian filtered Image\',\'Histogram\',"Otsu\'s Thresholding"]
    plt.figure(figsize=(7,10),dpi=100)
    for i in range(3):
        plt.subplot(3,3,i*3+1)
        img_show(titles[i*3],images[i*3])
        plt.subplot(3,3,i*3+2)
        plt.hist(images[i*3].ravel(),256)
        plt.xlabel(titles[i*3+1])
        plt.xticks([])
        plt.yticks([])
        plt.subplot(3,3,i*3+3)
        img_show(titles[i*3+2],images[i*3+2])

 

参考资料：
网址：https://zh.wikipedia.org/wiki/%E5%A4%A7%E6%B4%A5%E7%AE%97%E6%B3%95
书籍：《数字图像处理》《OpenCV-Python-Toturial-中文版》