解释一下啥是二值化？

Posted 2023-05-12

二值化（英语：Thresholding）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。 参考技术A 二值化（Binarization）是指将一张灰度图像转换为只包含两种颜色（一般为黑色和白色）的二值图像的过程。在二值图像中，每个像素的取值只有0或1，用于表示该像素是否属于目标物体的一部分。
二值化通常是图像处理中的一项基础操作，它可以用于图像的分割、识别、计算等应用中。在二值化的过程中，首先需要设定一个阈值，将原图像中灰度值大于该阈值的像素设置为1（白色），而将灰度值小于该阈值的像素设置为0（黑色），从而实现将原图像分割为黑白两部分的效果。
二值化的阈值选取对于二值化结果的质量至关重要，不同的阈值选取会对图像的细节、精度等产生不同的影响。因此，在实际应用中，需要根据图像的特点和需要达到的目标来选择合适的阈值选取方法和算法。常用的二值化方法包括全局阈值法、自适应阈值法、Otsu阈值法等。

Python机器视觉--OpenCV进阶(核心)--图像二值化

1.图像二值化

1.1 图像全局二值化

• 二值化: 将图像的每个像素变成两种值, 比如0, 255.

• threshold(src, thresh, maxval, type[, dst])

  • src 最好是灰度图

  • thresh: 阈值

  • maxval: 最大值, 最大值不一定是255

  • type: 操作类型. 常见操作类型如下:

简单解释：

• 1.若图片数值大于 阈值 则变为255（白色）否则为0（黑色）
• 2.倒置1. 即 大于 阈值 为0 小于则为255
• 3.相当于抹平 即 大于 阈值 则为阈值 小于 不受影响
• 4.变零操作 即 大于阈值 不受影响 小于阈值 则变为0
• 5.倒置4 即 小于阈值 不受影响 大于阈值 则变为0

代码实现

import cv2
import numpy as np

img = cv2.imread('./dog.jpeg')

#cvtColor 用于将图像进行灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 返回两个结果, 一个是阈值, 另一个是处理后的图片
ret, dst = cv2.threshold(gray, 80, 255, cv2.THRESH_BINARY)

cv2.imshow('dog', np.hstack((gray, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()

1.2 自适应阈值二值化

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。

• adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
  　　这种方法需要我们指定六个参数，返回值只有一个。
  • Adaptive Method- 指定计算阈值的方法。
    　　　　　　– cv2.ADAPTIVE_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。
  • hresholdType：二值化方法，可以设置为THRESH_BINARY或者THRESH_BINARY_INV
    blockSize：分割计算的区域大小，取奇数
  • 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。

代码实现

import numpy as np
import cv2

img=cv2.imread('./code/dog.jpeg')

#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

cv2.imshow('dog',np.hstack((gray,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下

cv2.ADAPTIVE_THRESH_MEAN_C, 与cv2.ADPTIVE_THRESH_GAUSSIAN_C 的对比

import numpy as np
import cv2

img=cv2.imread('./code/dog.jpeg')

#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,9,0)
dst2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
cv2.imshow('dog',np.hstack((gray,dst,dst2)))
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.THRESH_BINARY 与cv2.THRESH_BINARY_INV 的对比

import numpy as np
import cv2

img=cv2.imread('./code/dog.jpeg')

#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
dst2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV ,9,0)
cv2.imshow('dog',np.hstack((gray,dst,dst2)))
cv2.waitKey(0)
cv2.destroyAllWindows()

threshold 与 adaptiveThreshold 对比

import numpy as np
import cv2
img=cv2.imread('./code/dog.jpeg')
cv2.namedWindow('img',cv2.WINDOW_NORMAL)
#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 全局二值化
thres,dst=cv2.threshold(gray,130,255,cv2.THRESH_BINARY)
#自适应二值化 
dst2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

cv2.imshow('img',np.hstack((gray,dst,dst2)))

cv2.waitKey(0)
cv2.destroyAllWindows()