opencv-图像阈值
文章目录
- 1.简单阈值：
- 2、自适应阈值
- 3.Otsu's二值化
图像的阈值化就是利用图像像素点分布规律，设定阈值进行像素点分割，进而得到图像的二值图像。图像阈值化操作有多种方法，常用方法有经典的OTSU、固定阈值、自适应阈值、双阈值及半阈值化操作。这里对各种阈值化操作进行一个总结。
1.简单阈值：
-
当像素高于阈值时，我们给这个像素赋予新值，（可能白色）否则我们给其赋予另外一个新值（可能黑色）
-
使用到的函数：cv2.threshold(原图像(原图像是灰度图)，(用来对像素值进行分类的阈值)，(当像素值高于阈值时，应该赋予的新值),openCV中提供多种不同阈值的方法))
-
cv2.threshhold参数四，这些方法包括：ret, dst = cv2.threshold(src, thresh, maxval, type)
-
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
-
thresh： 阈值
-
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
-
type：二值化操作的类型，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
- cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0
- cv2.THRESH_BINARY_INV THRESH_BINARY的反转
- cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
- cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
- cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转
-
-
这个函数值有两个返回值，一是retVal(阈值) 二个是阈值化之后的结果图像
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
#关于subplot的用法：
#subplot（m,n,p）或者subplot（mnp）此函数最常用：subplot是将多个图画到一个平面上的工具。
'''
其中，m表示是图排成m行，n表示图排成n列，也就是整个figure中有n个图是排成一行的，一共m行，如果第一个数字是2就是表示2行图。
p是指你现在要把曲线画到figure中哪个图上，最后一个如果是1表示是从左到右第一个位置。
'''
for i in range(6):
plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
2、自适应阈值
2.自适应阈值
前面的简单阈值是全局的，而自适应阈值是局部的。
我们需要使用三个参数来完成自适应阈值的用法：
Adaptive Methond: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:阈值取相邻区域的加权和，权重为一个高斯窗口
Block Size:领域的大小（用来计算阈值区域的大小）
C:这就是一个常数，阈值就等于平均值或加权平均值减去这个常数
img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img = cv2.medianBlur(img_gray, 5)#中值滤波
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#简单阈值
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['original image', 'globel thresholding', 'adaptive mean thresholding', 'adaptive gaussian thresholding']
images = [img, th1, th2, th3]
for i in range(4):
plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
3.Otsu’s二值化
- 对于全局图，我们怎么设置一个恰倒好处的阈值呢？只有通过不断的尝试；但是对于双峰图，我们可以使用Otsu’s二值化搞定
- Otsu’s二值化：对一副双峰图像自动根据其直方图来计算一个阈值
- 函数:函数是,cv2.threshold(),需要多传入一个参数cv2.THRESH_OTSU,这个时候要把阈值设为0，算法会找到最优阈值，这个最优阈值的返回值就是retVal，加入不使用二值化，返回的值与设定的阈值一致
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('cat.jpg', 0)
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#设置127为全局阈值
ret, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#使用Otsu二值化，即局部阈值
blur = cv2.GaussianBlur(img, (5, 5), 0)#阈值一定要设置为0，
ret, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#线使用一个高斯核除去噪音，在进行二值化
images = [img, 0, th1,
img, 0, th2,
blur, 0, th3]
titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding(v=127)',
'Origianl Noisy Image', 'Histogram', "Otsu's Thresholding",
'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]
for i in range(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].ravel(), 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()
cv2.waitKey(0)
cv2.destroyAllWindows()
