OpenCV图像阈值处理之简单阈值和自适应阈值

OpenCV图像阈值处理

什么是阈值？简单说就是一个临界值（分界线）。

例如：一个班有50个学生，期末考试及格（60分及以上）的人数为40人，不及格的人数是10人。这里就是以60分为临界值划分的。60分，可以叫做一个阈值。

图像是由一个个的像素点构成的，像素点的值的范围是 [0, 255] 。对图像做阈值操作，就是给个临界值，筛选像素点。超过临界值，像素值置为几，低于临界值，像素值又置为几，根据不同的处理，就形成了不同的分类。

OpenCV图像阈值操作分为：简单阈值，自适应阈值。在实际应用中，自适应阈值用得比较多。

简单阈值

方法解释

简单阈值是整个图像采用同一个数作为阈值，是全局阈值。

命令：cv2.threshold(src, thresh, maxval, type, dst=None)
返回两个值，第一个值是阈值，第二个值是阈值化处理后的图像。本文讲解仅使用第二个返回值。

• 参数 src ：输入图像，通常使用的是灰度图片
• 参数 thresh ：阈值
• 参数 maxval ：超过或低于阈值时，应该置为的值，也可以叫做最大值
• 参数 type ：通过阈值对图像处理的方法（超过或低于阈值的处理方式），有5种，分别是
  cv2.THRESH_BINARY 二值阈值化（超过阈值的像素值置为255，低于阈值的像素值置为0）
  cv2.THRESH_BINARY_INV 二值阈值化的反转（超过阈值的像素值置为0，低于阈值的像素值置为255）
  cv2.THRESH_TRUNC 截断阈值化（超过阈值的像素值置为阈值，低于阈值的像素值保持不变）
  cv2.THRESH_TOZERO 归零阈值化（超过阈值的像素值保持不变，低于阈值的像素值置为0）
  cv2.THRESH_TOZERO_INV 归零阈值化的反转（超过阈值的像素值置为0，低于阈值的像素值保持不变）

如果还是不太理解，可以参考 Opencv之图像固定阈值二值化处理threshold ，讲解很形象。 最重要的是 cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV 的操作没有讲反。我看了很多文章，都把这两种方法讲反了。

代码

import cv2
import matplotlib.pyplot as plt


original_image = cv2.imread("pic.jpg", cv2.IMREAD_GRAYSCALE)  # 以灰度模式打开图片

_, binary = cv2.threshold(original_image, 127, 255, cv2.THRESH_BINARY)  # 二值阈值化
_, binary_inv = cv2.threshold(original_image, 127, 255, cv2.THRESH_BINARY_INV)  # 二值阈值化的反转
_, trunc = cv2.threshold(original_image, 127, 255, cv2.THRESH_TRUNC)  # 截断阈值化
_, tozero = cv2.threshold(original_image, 127, 255, cv2.THRESH_TOZERO)   # 归零阈值化
_, tozero_inv = cv2.threshold(original_image, 127, 255, cv2.THRESH_TOZERO_INV)  # 归零阈值化的反转

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [original_image, binary, binary_inv, trunc, tozero, tozero_inv]
for i in range(6):
    plt.subplot(2, 3, i+1), plt.imshow(images[i], "gray")  # 以两行三列方式显示6张图片
    plt.title(titles[i])  # 设置图片标题
    plt.xticks([]), plt.yticks([])  # 取消坐标轴的刻度
# 显示图片
plt.show()

输出结果：

自适应阈值

方法解释

自适应阈值是局部阈值，同一个图像上的不同区域，使用不同的阈值。

命令：cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

• 参数 src ：输入图像
• 参数 maxValue ：超过或低于阈值时，应该置为的值，也可以叫做最大值
• 参数 adaptiveMethod ：计算阈值的方法，有两种，分别是
  cv2.ADAPTIVE_THRESH_MEAN_C 阈值取自相邻区域的平均值
  cv2.ADAPTIVE_THRESH_GAUSSIAN_C 阈值取自相邻区域的加权和，权重为一个高斯窗口
• 参数 thresholdType ：该参数与 cv2.threshold() 中的参数 type 用的方法是一样的，都是对图像阈值的处理方法
• 参数 blockSize ：邻域大小（用来计算阀值的区域大小），类似于CNN中的卷积核，值应该为奇数
• 参数 C ：一个常数（偏值），最终的阈值是adaptiveMethod计算出的阈值再减去该常数，一般情况下置为0

代码

import cv2
import matplotlib.pyplot as plt


original_image = cv2.imread("chessboard.jpg", cv2.IMREAD_GRAYSCALE)  # 以灰度模式打开图片

_, binary = cv2.threshold(original_image, 127, 255, cv2.THRESH_BINARY)  # 二值阈值化
# 阈值取自相邻区域的平均值
thresh_mean = cv2.adaptiveThreshold(original_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 17, 0)
# 阈值取自相邻区域的加权和，权重为一个高斯窗口
thresh_gaussian = cv2.adaptiveThreshold(original_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, 0)

images = [original_image, binary, thresh_mean, thresh_gaussian]
titles = ['Original Image', 'BINARY', 'MEAN', 'GAUSSIAN']

for i in range(4):
    plt.subplot(2, 2, i+1), plt.imshow(images[i], "gray")
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])  # 取消坐标轴的刻度
plt.show()

输出结果：

简单阈值和自适应阈值的异同点

• 相同点

1. 需要给定最大值，使得像素值超过或低于阈值时，应该把值设为多少，做个参考。
2. 通过阈值对图像处理的方法，都是一样的，有：
   cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV

• 不同点

1. 阈值适用范围
   简单阈值处理，给定的阈值，用于整个图像，是全局阈值。
   自适应阈值处理，计算出的阈值，只用于图像的局部区域，不同区域的阈值不同，所以是局部阈值。

2. 阈值设定
   简单阈值处理，是直接给定一个阈值（很直接）。
   自适应阈值处理，所需的阈值，是通过 cv2.ADAPTIVE_THRESH_MEAN_C 或 cv2.ADAPTIVE_THRESH_GAUSSIAN_C 方法计算出来的。

3. 偏值
   简单阈值处理，由于是直接给定的阈值，所以没有在该阈值的基础上，再作调整。
   自适应阈值处理，在通过电脑计算出局部阈值之后，可以给定一个常数（偏值）再进行调整。

参考资料

[1] Aollo小北.OpenCV-Python中文教程
[2] 啧啧啧biubiu.Opencv之图像固定阈值二值化处理threshold
[3] bingma.OpenCV-图像阈值-简单阈值、自适应阈值、Otsu’s 二值化