基于阈值的7种图像分割方法以及Python实现

Posted 2023-04-02 风华明远

阈值图像分割的7种方法

• 1. 什么是阈值分割
• 2. 固定阈值分割
• 3.灰度直方图双峰法

1. 什么是阈值分割

阈值分割是根据图像的灰度特征按照设定的阈值将图像分割成不同的子区域。简单的理解就是先将图像进行灰度处理，然后根据灰度值和设定的灰度范围将图像灰度分类。比如0-128的是一类，129-255是一类。
根据不同的分类方法，阈值分割有以下7种方法：

1. 固定阈值分割
2. 直方图双峰法
3. 迭代阈值图像分割
4. 自适应阈值图像分割
5. 大津法 OTSU
6. 均值法
7. 最佳阈值

2. 固定阈值分割

固定阈值分割是最简单的阈值分割方法，其方法就是将灰度值大于某一阈值的像素点置为255，而小于等于该阈值的点设置为0。这是最简单的图像分割方法，适用范围很窄。对于比较简单的图像有较好的效果。对应的CV2函数为cv2.threshold(src, thresh, maxval,cv2.THRESH_BINARY)。用numpy实现此功能非常简单，只需要1行代码：

    return np.where(((img>thresh) & (img<maxval)),255,0)

np.where的第一个参数是条件，可以设置多条件。第二个是条件成立时，numpy数组的取值，而第三个参数是不成立的取值。
完成的比较代码如下：

# coding:utf8
import cv2
import numpy as np
import matplotlib.pyplot as plt


def fix_threshold(img, thresh, maxval=255):
    return np.where(((img > thresh) & (img < maxval)), 255, 0)


img = cv2.imread('xk.png')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

ret, th = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
fix = fix_threshold(img_gray, 127, 255)

plt.subplot(131), plt.imshow(img_gray, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.imshow(th, cmap='gray')
plt.title('CV2 Image1'), plt.xticks([]), plt.yticks([])
plt.subplot(133), plt.imshow(fix, cmap='gray')
plt.title('Fix Image2'), plt.xticks([]), plt.yticks([])
plt.show()

3.灰度直方图双峰法

灰度直方图通常双峰属性(bimodal，一个前景峰值，另一个为背景峰值)。两个峰值之间的最小值可以认为是最优二值化的分界点。
算法如下：
（1）查找直方图最大值firstPeak
（2）通过下面的公式结算第二峰：
$secondPeak=\underset{x}{\max }[(x-fristPeak{)}^2\ast hist(x)]$
（3）双峰之间的灰度最小值为分界点（需要考虑最大峰值的灰度数值可能小于第二大峰值的灰度值）
此方法得到的阈值与CV2中threshold函数得到的阈值并不是完全一致的。本方法较为简单，对于处理简单的图像比较有效，但是对于复杂的图片，比如遥感图片效果就很差。后面的文章会增加解读遥感图片的部分。

# coding:utf8
import cv2
import numpy as np
from matplotlib import pyplot as plt

def GrayHist(img):
    grayHist = np.zeros(256,dtype=np.uint64)
    for v in range(256):
        grayHist[v] = np.sum(img==v)
    return grayHist

def threshTwoPeaks(image):

    # 计算灰度直方图
    hist = GrayHist(image)
    # 寻找灰度直方图的最大峰值对应的灰度值
    maxLoc = np.where(hist == np.max(hist)) #maxLoc 中存放的位置
    firstPeak = maxLoc[0][0]
    # 寻找灰度直方图的第二个峰值对应的灰度值
    elementList = np.arange(256,dtype = np.uint64)
    measureDists = np.power(elementList - firstPeak,2) * hist

    maxLoc2 = np.where(measureDists == np.max(measureDists))
    secondPeak = maxLoc2[0][0]

    # 找到两个峰值之间的最小值对应的灰度值，作为阈值
    thresh = 0
    if secondPeak > firstPeak:
        firstPeak,secondPeak=secondPeak,firstPeak
    temp = hist[secondPeak:firstPeak]
    minloc = np.where(temp == np.min(temp))
    thresh = secondPeak + minloc[0][0] + 1
    # 找到阈值之后进行阈值处理，得到二值图
    threshImage_out = image.copy()
    # 大于阈值的都设置为255
    threshImage_out[threshImage_out > thresh] = 255
    # 小于阈值的都设置为0
    threshImage_out[threshImage_out <= thresh] = 0
    return thresh, threshImage_out

if __name__ == "__main__":

    img = cv2.imread('dt.jpg')
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


    th, img_new = threshTwoPeaks(img_gray)
    th1,img_new_1 = cv2.threshold(img_gray, 0, 255,  cv2.THRESH_BINARY + cv2.THRESH_TRIANGLE)
    print(th,th1)
    plt.subplot(131), plt.imshow(img_gray, cmap='gray')
    plt.title('Original Image'), plt.xticks([]), plt.yticks([])
    plt.subplot(132), plt.imshow(img_new, cmap='gray')
    plt.title('Image'), plt.xticks([]), plt.yticks([])
    plt.subplot(133), plt.imshow(img_new_1, cmap='gray')
    plt.title('CV2 Image1'), plt.xticks([]), plt.yticks([])
    plt.show()

图像分割基于灰狼算法优化Otsu图像实现多阈值分割matlab源码

摘要：Otsu 方法是应用最广泛的图像分割法之一，该方法也叫最大类间方法阈值分割法，选择分割阈值的标准是图像的类间方差达到最大或者类内方差最小。Otsu 阈值分割法可以从单阈值扩展到多级阈值分割，多阈值分割图像时采用多个不同的阈值将图像分割为多个不同的区域或目标。将智能算法应用于多阈值的寻找，能大大加快算法的速度。算法思想：

假设一幅图像有L个灰度级[1,2,…,L]。灰度级为i的像素点的个数为ni，那么总的像素点个数就应该为N=n1+n2+…+nL。为了讨论方便，我们使用归一化的灰度级直方图并且视为这幅图像的概率分布:

    现在假设我们通过一个灰度级为k的门限将这些像素点划分为两类:C0和C1(背景和目标,或者反之亦然)；C0表示灰度级为[1,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点。那么，每一类出现的概率以及各类的平均灰度级分别由下面的式子给出：

以及

其中，

分别为灰度级从1到k的累积出现概率和平均灰度级（一阶累积矩），而

是整幅图像的平均灰度级。我们可以很容易验证，对于任意选定的k，都有：

这两类的类内方差由下面的公式给出：

这需要二阶累积矩(second-order cumulative moment，统计学概念)。

    为了评价(灰度级k)这个门限“好”的程度，我们需要引入判别式分析中使用的判别式标准来测量（类的分离性测量）：

其中：

又根据式(9)，可以得出：

这三个式子分别是类内方差、类间方差和灰度级的总方差。然后，我们的问题就简化为一个优化问题，即寻找一个门限k使(12)式中给出的一个目标函数取最大值。

    这个观点是出于这样一个猜想，一个好的阈值将会把灰度级分为两类，那么反过来说，就是如果一个门限能够在灰度级上将图像分割为最好的两类的话，那么这个门限就是最好的门限。

    上面给出的判别式标准是分别求取λ、κ和η的最大值。然而，对于κ而言，它又等于另外一个，比如κ=λ+1；而对于λ而言，又有η=λ/(λ+1)，因为始终存在下面的基本关系：

  

​

3.算法结果：
以lena图像为例：

单阈值结果：

3阈值结果：

4阈值结果：
往期回顾>>>>>>

注：需要完整代码或者代做加QQ1575304183。