基于python的OpenCV快速入门——阈值处理
基于python的OpenCV快速入门——阈值处理
阈值处理是指剔除图像内高于某一值，或低于某一值的像素点。
例如，设定阈值为127然后:
- 将图像内所有大于127的像素点值设为255
- 将图像内所有低于127的像素点值设为0
通过上述方法能够得到一副二值图像，有效的实现了前景和背景的分离
OpenCV提供了函数cv2.threshold()和函数cv2.adaptiveTHreshold()用于实现阈值处理
1、threshold函数
-
OpenCV 3.0使用cv2.threshold()函数进行阈值化处理
-
该函数语法格式为：
retval , dst=cv2.threshold( src, thresh, maxval, type)
- retval代表返回的阈值。
- dst代表阈值分割结果图像，与原始图像具有相同的大小和类型。
- src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值。
- thresh代表要设定的阈值。
- maxval代表当type参数为THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值。
- type代表阈值分割的类型，具体类型值如表所示。
1.1二值化阈值处理（cv2.THRESH_BINARY)
- 对于灰度值大于阈值thresh的像素点，将去灰度值设定为最大值
- 对于灰度值小于阈值thresh的像素点，将其灰度值设定为0
1.2反二值化阈值处理（cv2.THRESH_BINARY_INY)
- 对于灰度值大于阈值thresh的像素点，将其灰度值设为0
- 对于灰度值小于阈值thresh的像素点，将其灰度值设为最大值
1.3截断阈值化处理(cv2.THRESH_TRUNC)
- 截断阈值化处理会实现：
- 大于阈值的像素点设为阈值
- 小于或等于阈值的像素点不变
1.4超阈值零处理（cv2.THRESH_TOZERO_INV)
- 对于像素值大于阈值的像素点，其像素值被处理为0
- 对于阈值小于或等于阈值的像素点，其像素值保持不变
1.5低阈值零处理（cv2.THRESH_TOZERO)
- 对于像素值大于阈值的像素点，其值将保持不变
- 对于像素值小于阈值的像素点，其值将被处理为0
2、自适应阈值处理
对于色彩均衡的图像，直接使用一个阈值就能完成对图像的阈值化处理。但是，有时图像的色彩是不均衡的，此时如果只使用一个阈值，就无法得到清晰有效的阈值分割结果图像。
有一种改进的阈值处理技术，其使用变化的阈值完成对图像的阈值处理，这种技术被称为自适应阈值处理。在进行阈值处理时，自适应阈值处理的方式通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。与普通的阈值处理方法相比，自适应阈值处理能够更好地处理明暗差异较大的图像。
-
OpenCV提供了函数cv2.adaptiveThreshold()来实现自适应阈值处理
-
该函数语法格式为：
dst = cv2.adaptiveThreshold( src, maxValue,adaptiveMethod ,thresholdType,kSize,C)
- dst代表自适应阈值处理结果。
- src代表要进行处理的原始图像。需要注意的是，该图像必须是8位单通道的图像。
- maxValue代表最大值。
- adaptiveMethod代表自适应方法。
- thresholdType代表阈值处理方式，该值必须是cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV中的一个。
- blockSize代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为3、5、7等。
- C是常量。
函数cv2.adaptiveThreshold()根据参数adaptiveMethod来确定自适应阈值的计算方法，函数包含cv2.ADAPTIVE_THRESH_MEAN_C和cv2.ADAPTIVE_THRESH_GAUSSIAN_C两种不同的方法。这两种方法都是逐个像素地计算自适应阈值，自适应阈值等于每个像素由参数blockSize所指定邻域的加权平均值减去常量C。两种不同的方法在计算邻域的加权平均值时所采用的方式不同：
- cv2.ADAPTIVE_THRESH_MEAN_C：邻域所有像素点的权重值是一致的。
- cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与邻域各个像素点到中心点的距离有关，通过高斯方程得到各个点的权重值。
例
import cv2
img = cv2.imread("Fifth.png",0)
t1 , thd = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
athdMEAN = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,5,3)
athdGAus = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)
cv2.imshow("img",img)
cv2.imshow("thd",thd)
cv2.imshow("athdMEAN",athdMEAN)
cv2.imshow("athdGAus",athdGAus)
cv2.waitKey()
cv2.destroyAllWindows()结果如图：
3、Otsu处理
在使用函数cv2.threshold()进行阈值处理时，需要自定义一个阈值，并以此阈值作为图像阈值处理的依据。通常情况下处理的图像都是色彩均衡的，这时直接将阈值设为127是比较合适的。
但是，有时图像灰度级的分布是不均衡的，如果此时还将阈值设置为127，那么阈值处理的结果就是失败的。
Otsu方法能够根据当前图像给出最佳的类间分割阈值。简而言之，Otsu方法会遍历所有可能阈值，从而找到最佳的阈值。
在OpenCV中，通过在函数cv2.threshold()中对参数type的类型多传递一个参数“cv2.THRESH_OTSU”，即可实现Otsu方式的阈值分割。
语法如下
t,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
与普通阈值分割的不同之处在于：
-
参数type增加了一个参数值“cv2.THRESH_OTSU”。
-
设定的阈值为0。
-
返回值t是Otsu方法计算得到并使用的最优阈值。
-
需要注意，如果采用普通的阈值分割，返回的阈值就是设定的阈值。例如下面的语句设定阈值为127，所以最终返回的就是t=127。
-
t, thd=cv2.threshold(img,127,255, cv2.THRESH_BINARY)