目录：
- 1.图像二值化
- 2.阈值操作
- 简单阈值(全局阈值)
- 自适应阈值(局部阈值)
- 3.简单阈值 vs 自适应阈值
一、图像二值化
图像二值化：将图像上像素点的灰度值设置为0或255，呈现明显的黑白效果。
图像二值化是图像预处理中必不可少的操作。
OTSU算法(大津法)：是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。
OTSU二值化：
import cv2
# OTSU二值化
img = cv2.imread("image/1.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU) # OTSU算法求阈值
cv2.imshow("image", img)
cv2.imshow("gray", gray)
cv2.imshow("binary", binary)
cv2.waitKey(0)
cv2.destroyAllWindows()
二、阈值操作
1.简单阈值
函数：
1）简单阈值操作: threshold()
ret, mask = threshold(src, thresh, maxval, type, dst=None)
ret: thresh阈值
mask: 二值化后的图像
src：图片源
thresh：阈值，取值范围0~255。
maxval：填充色(最大值)，取值范围0~255，一般取255。
注意：maxval只对THRESH_BINARY和THRESH_BINARY_INV两种阈值类型有效。
type：阈值类型。常用的几种阈值类型如下：
1）THRESH_BINARY = 0
阈值二值化(threshold binary)
小于等于阈值的像素点置0，大于阈值的像素点置255.
2）THRESH_BINARY_INV = 1
阈值反二值化(threshold binary Inverted)
小于等于阈值的像素点置255，大于阈值的像素点置0.
3）THRESH_TRUNC = 2
截断(truncate)
小于等于阈值的像素点保持原色，大于阈值的像素点置灰(与阈值threshold一致).
4）THRESH_TOZERO = 3
阈值取零(threshold to zero)
小于等于阈值的像素点置0，大于阈值的像素点保持原色。
5）THRESH_TOZERO_INV = 4
阈值反取零(threshold to zero inverted)
小于等于阈值的像素点保持原色，大于阈值的像素点置0。
示例:
import cv2
import matplotlib.pyplot as plt
# 将彩色图转化为灰度图
img = cv2.imread("image/1.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 将灰度图转化为二值化图
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
ret, binary_inv = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)
ret, truncate = cv2.threshold(gray, 0, 255, cv2.THRESH_TRUNC | cv2.THRESH_OTSU)
ret, tozero = cv2.threshold(gray, 0, 255, cv2.THRESH_TOZERO | cv2.THRESH_OTSU)
ret, tozero_inv = cv2.threshold(gray, 0, 255, cv2.THRESH_TOZERO_INV | cv2.THRESH_OTSU)
# 结合matplotlib，展示多张二值化图
titles = ['Gray Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [gray, binary, binary_inv, truncate, tozero, tozero_inv]
for i in range(6):
# 划分2行*3列的区域，在第(i+1)个区域上画图
plt.subplot(2, 3, i+1)
# 将图片显示在画板上
# cmap颜色映射: 当img形状是三维矩阵(M,N,3)或(M,N,4)时，值被解释为RGB或RGBA，此时cmap将被忽略。
# 当img形状是二维矩阵(M,N)时，此时cmap用于值到颜色的一个映射。
plt.imshow(images[i], cmap="gray")
# 添加标题
plt.title(titles[i])
# 清空x轴、y轴刻度
plt.xticks([])
plt.yticks([])
plt.show() # 显示画板
简单阈值.png
2.自适应阈值
函数：
2）自适应阈值操作: adaptiveThreshold()
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
src：源图片(8位单通道)。
maxval：背景填充色(赋给满足条件的像素的非零值)。
注意：maxval只对THRESH_BINARY和THRESH_BINARY_INV两种阈值类型有效。
adaptiveMethod：自适应阈值的计算方法。两种自适应阈值的计算方法：
1）ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值。(平均数-常数)
2）ADAPTIVE_THRESH_GAUSSIAN_C：阈值取自相邻区域的高斯分布加权和。(加权平均数-常数)
thresholdType：阈值类型，只能是THRESH_BINARY或THRESH_BINARY_INV。
blockSize：相相邻区域块大小(用于计算像素点的阈值)，且为大于1的奇数(一般取3~11)，如: 3,5,7等。
blockSize=11 表示[11 x 11]的一个正方形像素区域块。
C：Constant常数，计算阈值时用平均数或加权平均数减去该常数。一般为正数，也可以是0或负数。
示例：
import cv2
import matplotlib.pyplot as plt
# 读取彩色图片并转化为灰度图
gray = cv2.imread("image/2.jpg", cv2.IMREAD_GRAYSCALE)
# 1.简单阈值(全局阈值)
ret, global_binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
# 2.自适应阈值(局部阈值)
adaptive_mean_binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11 ,2)
adaptive_gaussian_binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11 ,2)
titles = ['Gray Image', "Global Thresholding", 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [gray, global_binary, adaptive_mean_binary, adaptive_gaussian_binary]
for i in range(4):
# 划分[2行*2列]的区域，在第(i+1)个区域上画图
plt.subplot(2, 2, i+1)
# 将图片显示到画板上
plt.imshow(images[i], cmap="gray")
# 添加标题
plt.title(titles[i])
# 清空x轴、y轴坐标刻度
plt.xticks([])
plt.yticks([])
plt.show() # 显示画板
自适应阈值.png
三、简单阈值 vs 自适应阈值
简单阈值：即全局固定阈值，整个图像采用同一个阈值。
自适应阈值：即局部阈值，为每个像素点单独计算一个阈值。
一张图片的不同区域具有不同的亮度时，全局阈值往往不能得到想要的效果，这时我们采用自适应阈值。自适应阈值在图像的不同区域采用不同的阈值，从而使我们在图像亮度不同的情况下得到更好的效果。
网友评论