opencv-python笔记-阈值二值化

图像阈值

简单阈值

cv2.threshold(img, threshold, maxval,type)
img，就是原图像，原图像应是灰度图。
threshold，就是用来对像素值分类的阈值。
maxval，就是当像素值高于（有时是小于）阈值时应该被赋予的新的像素值。
type：

函数有两个返回值，第一个为retVal，我们后面会解释。第二个就是阈值化之后的结果图像了。

自适应阈值

在前面的部分我们使用是全局阀值，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。

dst = cv2.adaptiveThreshold(src, maxval, thresh_type, type, Block Size, C)

src： 输入图，只能输入单通道图像，通常来说为灰度图
dst： 输出图
maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
thresh_type： 阈值的计算方法，包含以下2种类型：cv2.ADAPTIVE_THRESH_MEAN_C； cv2.ADAPTIVE_THRESH_GAUSSIAN_C.（效果更好）
type：二值化操作的类型，与固定阈值函数相同，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV.
Block Size： 图片中分块的大小（必须是奇数）
C ：阈值计算方法中的常数

一般来说，在平均自适应阈值和高斯自适应阈值之间进行选择需要在您的最后进行一些实验。要改变的最重要的参数是邻域大小和C，即从平均值中减去的值。通过试验这个值，你将能够显着地改变你的阈值的结果。

Otsu‘s 基于直方图的二值化

在使用全局阈值时，我们就是随便给了一个数来做阈值，那我们怎么知道我们选取的这个数的好坏呢？答案就是不停的尝试。如果是一副双峰图像（简单来说双峰图像是指图像直方图中存在两个峰）呢？我们岂不是应该在两个峰之间的峰谷选一个值作为阈值？这就是Otsu二值化要做的。简单来说就是对一副双峰图像自动根据其直方图计算出一个阈值。（对于非双峰图像，这种方法得到的结果可能会不理想）

1、Otsu二值化

ret,th3=cv.threshold(src,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

1. 第二个参数，阈值设置为0
2. 第四个参数+cv.THRESH_OTSU
3. 最优阈值就是返回值 ret

2、先使用一个5x5的高斯核除去噪音，然后再使用Otsu二值化。

blur = cv.GaussianBlur(src,(5,5),0)
ret,th4= cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)