OpenCV-Python实战——OpenCV用于图像分割的阈值技术（含大量示例，建议收藏）

Posted 2021-10-17 盼小辉丶

OpenCV-Python实战（9）——OpenCV用于图像分割的阈值技术（含大量示例，建议收藏）

• • 0. 前言
  • 1. 阈值技术简介
  • 2. 简单的阈值技术
  • • 2.1 阈值类型
    • 2.2 简单阈值技术的实际应用
  • 3. 自适应阈值算法
  • 4. Otsu 阈值算法
  • 5. Triangle 阈值算法
  • 6. 对彩色图像进行阈值处理
  • 小结
  • 系列链接

0. 前言

图像分割是许多计算机视觉应用中的关键处理步骤，通常用于将图像划分为不同的区域，这些区域常常对应于真实世界的对象。因此，图像分割是图像识别和内容分析的重要步骤。图像阈值是一种简单、有效的图像分割方法，其中像素根据其强度值进行分区。在本文中，将介绍 OpenCV 所提供的主要阈值技术，可以将这些技术用作计算机视觉应用程序中图像分割的关键部分。

1. 阈值技术简介

阈值处理是一种简单、有效的将图像划分为前景和背景的方法。图像分割通常用于根据对象的某些属性(例如，颜色、边缘或直方图)从背景中提取对象。最简单的阈值方法会利用预定义常数(阈值)，如果像素强度小于阈值，则用黑色像素替换，如果像素强度大于阈值，则用白色像素替换。OpenCV 提供了 cv2.threshold() 函数来对图像进行阈值处理。
为了测试 cv2.threshold() 函数，首次创建测试图像，其包含一些填充了不同的灰色调的大小相同的区域，利用 build_sample_image() 函数构建此测试图像：

def build_sample_image():
    """创建填充了不同的灰色调的大小相同的区域，作为测试图像"""
    # 定义不同区域
    tones = np.arange(start=50, stop=300, step=50)
    # 初始化
    result = np.zeros((50, 50, 3), dtype="uint8")

    for tone in tones:
        img = np.ones((50, 50, 3), dtype="uint8") * tone
        # 沿轴连接数组
        result = np.concatenate((result, img), axis=1)
    return result

接下来将使用不同的预定义阈值： 0 、 50 、 100 、 150 、 200 和 250 调用 cv2.threshold() 函数，以查看不同预定义阈值对阈值图像影响。例如，使用阈值 thresh = 50 对图像进行阈值处理：

ret1, thresh1 = cv2.threshold(gray_image, 50, 255, cv2.THRESH_BINARY)

其中，thresh1 是仅包含黑白色的阈值图像。源图像 gray_image 中灰色强度小于 50 的像素为黑色，强度大于 50 的像素为白色。
使用多个不同阈值对图像进行阈值处理：

# 可视化函数
def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]

    ax = plt.subplot(7, 1, pos)
    plt.imshow(img_RGB)
    plt.title(title, fontsize=8)
    plt.axis('off')
# 使用 build_sample_image() 函数构建测试图像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
for i in range(6):
    # 使用多个不同阈值对图像进行阈值处理
    ret, thresh = cv2.threshold(gray_image, 50 * i, 255, cv2.THRESH_BINARY)
    # 可视化
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(i * 50), i + 2)
# 可视化测试图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img with tones of gray - left to right: (0,50,100,150,200,250)", 1)
# 图像进行阈值处理后，常见的输出是黑白图像
# 因此，为了更好的可视化效果，修改背景颜色
fig.patch.set_facecolor('silver')

plt.show()

从上图可以看出，根据阈值和样本图像灰度值的不同，阈值处理后生成的黑白图像的变化情况。

2. 简单的阈值技术

上一节中，我们已经简单介绍过了 OpenCV 中提供的简单阈值处理函数——cv2.threshold()，该函数用法如下：

cv2.threshold(src, thresh, maxval, type, dst=None) -> retval, dst

cv2.threshold() 函数对 src 输入数组(可以为单通道或多通道图像)应用预定义常数 thresh 设置的阈值；type 参数用于设置阈值类型，阈值类型的可选值如下：cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO、cv2.THRESH_TOZERO_INV、cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE。
maxval 参数用于设置最大值，其仅在阈值类型为 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 时有效；需要注意的是，在阈值类型为 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 时，输入图像 src 应为为单通道。

2.1 阈值类型

为了更好的了解阈值操作的不同类型，接下来给出每种阈值类型的具体公式。符号说明：src 是源(原始)图像，dst 对应于阈值化后的目标(结果)图像，因此，src(x, y) 对应于源图像像素 (x, y) 处的强度，而 dst(x, y) 对应于目标图像像素 (x, y) 处的强度。
阈值类型 cv2.THRESH_BINARY 公式如下：
$$dst(x,y)=\{\begin{array}{ll}maxval,& src(x,y)>thresh\\ 0,& src(x,y)\le thresh\end{array}$$
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度 dst(x,y) 将被设为 maxval；否则，设为 0。
阈值类型 cv2.THRESH_BINARY_INV 公式如下：
$$dst(x,y)=\{\begin{array}{ll}0,& src(x,y)>thresh\\ maxval,& src(x,y)\le thresh\end{array}$$
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度 dst(x,y) 将被设为 0；否则，设为 maxval。
阈值类型 cv2.THRESH_TRUNC 公式如下：
$$dst(x,y)=\{\begin{array}{ll}threshold,& src(x,y)>thresh\\ src(x,y),& src(x,y)\le thresh\end{array}$$
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度设置为 threshold；否则，设为 src(x, y)。
阈值类型 cv2.THRESH_TOZERO 公式如下：
$$dst(x,y)=\{\begin{array}{ll}src(x,y),& src(x,y)>thresh\\ 0,& src(x,y)\le thresh\end{array}$$
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素值将设置为 src(x, y)；否则，设置为 0 。
阈值类型 cv2.THRESH_TOZERO_INV 公式如下：
$$dst(x,y)=\{\begin{array}{ll}0,& src(x,y)>thresh\\ src(x,y),& src(x,y)\le thresh\end{array}$$
其表示，如果像素 src(x, y) 的强度大于 thresh，则目标图像像素值将设置为 0；否则，设置为 src(x, y)。
而 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 属于特殊的阈值类型，它们可以与上述阈值类型( cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV)进行组合。组合后，阈值处理函数 cv2.threshold() 将只能处理单通道图像，且计算并返回最佳阈值，而非指定阈值。
接下来使用不同阈值类型对同样的测试图像进行阈值处理，观察不同阈值处理效果：

ret1, thresh1 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY)
ret2, thresh2 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY)
ret3, thresh3 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY_INV)
ret4, thresh4 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY_INV)
ret5, thresh5 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TRUNC)
ret6, thresh6 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TOZERO)
ret7, thresh7 = cv2.threshold(gray_image,100,255, cv2.THRESH_TOZERO_INV)
# 可视化
show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 255", 2)
show_img_with_matplotlib(cv2.cvtColor(thresh2, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 220", 3)
show_img_with_matplotlib(cv2.cvtColor(thresh3, cv2.COLOR_GRAY2BGR), "THRESH_BINARY_INV - thresh = 100", 4)
# 其他图像可视化方法类似，不再赘述
# ...

如上图所示，maxval 参数仅在使用 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 阈值类型时有效，上例中将 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 类型的 maxval 值设置为 255 及 220，以便查看阈值图像在这两种情况下的变化情况。

2.2 简单阈值技术的实际应用

了解 cv2.threshold() 不同参数的工作原理后，我们将 cv2.threshold() 应用于真实图像，并使用不同的阈值：

# 加载图像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 绘制灰度图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)

# 使用不同的阈值调用 cv2.threshold() 并进行可视化
for i in range(8):
    ret, thresh = cv2.threshold(gray_image, 130 + i * 10, 255, cv2.THRESH_BINARY)
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(以上是关于OpenCV-Python实战——OpenCV用于图像分割的阈值技术（含大量示例，建议收藏）的主要内容，如果未能解决你的问题，请参考以下文章
 
 OpenCV-Python实战（番外篇）——基于 Haar 级联的猫脸检测器
 OpenCV-Python实战（18）——深度学习简介与入门示例（快来一起推开深度学习的大门吧）
 OpenCV-Python实战（番外篇）——基于 Haar 级联的猫脸检测器
 OpenCV-Python实战——直方图详解（❤️含大量实例，建议收藏❤️）
 OpenCV-Python实战（19）——OpenCV与深度学习的碰撞
 《Nuitka打包实战指南》实战打包OpenCV-Python