Python-OpenCV图像阈值

0x01. 简单阈值

简单阈值指的是当像素高于阈值时，给此像素赋予一个新值(可能是白色或黑色)。
OpenCV中提供函数为:
cv2.threshhold(src,thresh,maxval,type)。
src：原图像，图像应为灰度图。
thresh：对像素值进行分类的阈值。
maxval：当像素高于(或小于)阈值时应被赋予的新的像素值。
type:OpenCV中提供多种不同的阈值方法，包括

• cv2.THRESH_BINARY 二值阈值化
• cv2.THRESH_BINARY_INV 反向二值阈值化并反转
• cv2.THRESH_TRUNC 截断阈值化
• cv2.THRESH_TOZERO 超过阈值被置为0

• cv2.THRESH_TOZERO_INV 低于阈值被置为0

  

实例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img=cv2.imread('pitt1.jpg',cv2.IMREAD_COLOR)

ret,new1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,new2=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,new3=cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,new4=cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,new5=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

titles=['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images=[img,new1,new2,new3,new4,new5]

for i in xrange(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

0x02. 自适应阈值

之前所提到的使用的是全局阈值，整幅图像采用同一个数作为阈值。这种方法并不适应于所有情况，尤其是同一副图像上的不同部分的具有不同亮度时。此时，需要采取自适应阈值，阈值根据图像上的每一个小区域计算与其对应的阈值。
在同一幅图像上的不同区域采用不同的阈值，在图像亮度不同的情况下具有更好的效果。OpenCV提供的函数为:
cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C)
src：原图像，图像为灰度图
maxValue:当像素高于(或小于)阈值时应被赋予的新的像素值
adaptiveMethod：指定计算阈值的方法

• cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
• cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取自相邻区域的加权和，权重为一个高斯窗口。

blockSize：领域大小(用于计算阈值的区域大小)
C：一个常数，阈值就等于平均值或者加权平均值减去这个常数
实例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img=cv2.imread('pitt1.jpg',0)

img = cv2.medianBlur(img,5)

ret,new1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
new2=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)
new3=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)

titles = ['Original Image', 'Global Thresholding (v = 127)','Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, new1, new2, new3]

for i in xrange(4):
   plt.subplot(2,2,i+1)
   plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([])
   plt.yticks([])
plt.show()

0x03. Otsu’s 二值化

对于双峰图像(指图像直方图中存在两个峰)，需要在峰谷中选择一个值作为阈值，Otsu二值化正是针对这样的情况，根据直方图计算出一个阈值。
实例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img=cv2.imread('pitt1.jpg',0)

ret1,new1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)

ret2,new2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

blur=cv2.GaussianBlur(img,(5,5),0)

ret3,new3=cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

images=[img,0,new1,
    img,0,new2,
    blur,0,new3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
'Original Noisy Image','Histogram',"Otsu's Thresholding",
'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]

for i in xrange(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]),plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].flatten(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()

print ret1,ret2,ret3