opencv实现阈值分割

文章目录

      • 基础函数
      • 直方图阈值
        • 实现
        • threshold 函数使用
      • 三角法阈值
        • 实现
      • 迭代法阈值
        • 算法步骤
        • Python语法补充
        • 实现
      • 大津法
        • 理论
        • cv实现
        • 底层复现
      • 自适应阈值
        • 理论
        • 具体操作步骤
        • 优化
        • CV实现
        • 底层复现

基础函数

在此列出,后面将直接使用,不再赘述

  1. 导入库
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
  1. 展示函数
def show(img):
	if img.ndim == 2:
		plt.imshow(img, cmap='gray', vmin=0, vmax=255)
	else:
		img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
		plt.imshow(img)
	plt.show()

直方图阈值

算法描述:根据图像灰度直方图,人工寻找阈值
算法特点:适用双峰图像
opencv实现阈值分割_第1张图片

实现

导入图片

img = cv.imread('pic/eagle.jpg', 0)
show(img) 

opencv实现阈值分割_第2张图片
画出直方图

plt.hist(img.ravel(), 256, [0, 256])
plt.show()

opencv实现阈值分割_第3张图片

plt.hist(img.flatten(), np.arange(-0.5, 256, 1), color='g')
plt.show()

opencv实现阈值分割_第4张图片
二值化

_, img_bin = cv.threshold(img, 125, 255, cv.THRESH_BINARY)
show(img_bin)

opencv实现阈值分割_第5张图片

threshold 函数使用

opencv实现阈值分割_第6张图片

三角法阈值

论文:AUTOMATIC MEASUREMENT OF SISTER CHROMATID EXCHANGE FREQUENCY

算法思想:几何法,适用单峰图像

opencv实现阈值分割_第7张图片
距离最远的点,即为分割点

实现

img = cv.imread('pic/blossom', 0)
show(img)

opencv实现阈值分割_第8张图片

plt.hist(img.flattern(), np.arange(-0.5, 256, 1), color='g')
plt.show()

opencv实现阈值分割_第9张图片

th, img_ = cv.threshold(img, 0, 255, cv.THRESH_TRIANGLE)
print(th)
show(np.hstack([img, img_bin])

opencv实现阈值分割_第10张图片

三角法自动寻找阈值,第二个参数随便写就行

迭代法阈值

算法步骤

  1. 选取初始分割阈值,通常可选图像灰度平均值 T T T
  2. 根据阈值 T T T将图像像素分割为背景和前景,分别求出两者的平均灰度 T 0 和 T 1 T_0和T_1 T0T1
  3. 计算新的阈值 T ′ = T 0 + T 1 2 T'={T_0+T_1 \over 2} T=2T0+T1
  4. T = = T ′ T==T' T==T,则迭代结束, T T T即为最终阈值。否则令 T = T ′ T=T' T=T,转第(2)步。

前景为 > T >T >T的部分,背景为 < T <T的部分

opencv实现阈值分割_第11张图片

Python语法补充

a = np.random.randint(0, 10, (4, 4))

opencv实现阈值分割_第12张图片

a[a <= 5]

在这里插入图片描述

a[a <= 5].mean()

在这里插入图片描述

实现

img = cv.imread('pic/eagle', 0)

T = img.mean()

while True:
	t0 = img[img < T].mean()	// 背景平均灰度值
	t1 = img[img >= T].mean()	// 前景平均灰度值
	t = (t0 + t1) / 2

	print(T, t)
	if T == t:	// 可适当放宽条件, abs(T-t) < 1
		break
	T = t
T = int(T)	// 浮点数没有用

ptint(f"Best Threshold = {T}")

Best Threshold = 120

大津法

理论

算法思想:最大类间方差
对于给定阈值 T T T,可以将图像分为目标和背景。其中背景点数占图像比例为 p 0 p_0 p0,平均灰度值为 m 0 m_0 m0。而且标定数占图像比例为 p 1 p_1 p1,平均灰度值为 m 1 m_1 m1,其中满足
p 0 + p 1 = 1 p_0+p_1=1 p0+p1=1
整幅图像的平均灰度值为常数,跟阈值无关,且为
m ˉ = p 0 m 0 + p 1 m 1 \bar m = p_0m_0+p_1m_1 mˉ=p0m0+p1m1
类间方差为
σ 2 = p 0 ( m 0 − m ˉ ) 2 + p 1 ( m 1 − m ˉ ) 2 \sigma^2=p_0(m_0-\bar m)^2+p_1(m_1-\bar m)^2 σ2=p0(m0mˉ)2+p1(m1mˉ)2
代入 p 0 + p 1 = 1 和 m ˉ p_0+p_1=1和\bar m p0+p1=1mˉ可简化为
σ 2 = p 0 p 1 ( m 0 − m 1 ) 2 \sigma^2=p_0p_1(m_0-m_1)^2 σ2=p0p1(m0m1)2
遍历灰度值,找出能使 σ 2 \sigma^2 σ2最大的值

opencv实现阈值分割_第13张图片

cv实现

img = cv.imread('pic/eagle.jpg', 0)

th, img_bin = cv.threshod(img, -1, 255, cv.THRESH_OTSU)
print(th)
show(img_bin)

opencv实现阈值分割_第14张图片

底层复现

img = cv.imread('pic/eagle', 0)

Sigma = -1
T = 0

for t in range(0, 256):
	bg = img[img <= t]
	obj = img[img > t]
	
	p0 = bg.size / img.size
	p1 = obj.size / img.size

	m0 = 0 if obj.size==0 else bg.mean()
	m1 =  0 if obj.size==0 else obj.mean()

	sigma = p0*p1*(m0-m1)**2

	if sigma > Sigma:
		Sigma = sigma
		T = t

自适应阈值

理论

算法思想:局部二值化

全局二值化容易受阴影影响,所以可以局部二值化。自适应阈值分割的本质就是局部二值化。

具体操作步骤

  1. 对某个像素值,原来为 S S S,取其周围的 n × n n \times n n×n的区域,求区域均值或高斯加权值,记为T;
  2. 对8位图像,如果 S > T S>T S>T,则该像素点二值化为255,否则为0.

优化

  1. 在实际操作中,通过卷积操作,即均值模糊或高斯模糊,实现求区域均值或高斯加权值;
  2. 上面步骤中,增加超参数 C C C C C C可以为任何实数,当 S > T − C S>T-C S>TC时,把原像素二值化为255.
  3. 也可以设置超参数 α ∈ [ 0 , 1 ] \alpha \in [0,1] α[0,1],当 S > ( 1 − α ) T S>(1-\alpha)T S>(1α)T时把原像素点二值化为255,通常取 α = 0.15 \alpha=0.15 α=0.15

注:邻域大小一般要大于目标大小,但也不能太大,否则效果不好。

CV实现

img = cv.imread('pic/page', 0)
show(img)

opencv实现阈值分割_第15张图片

img_bin = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 21, 6)
show(img_bin)

6 就是上面的C,21就是核大小
opencv实现阈值分割_第16张图片

底层复现

一. 通过超参数C实现

img = cv.imrad('pic/page', 0)

C = 0
winSize = 21	// 和一个字体差不多大

img_blur = cv.blur(img, (winSize, winSize))
show(img > img_blur)

opencv实现阈值分割_第17张图片

C = 6

img_bin = np.uint8(img>img_blur.astype(np.int) - C) * 255

show(img_bin)

opencv实现阈值分割_第18张图片
二. 通过超参数 α \alpha α实现

img = cv.imread('pic/page.jpg', 0)

alpha = 0.15
winSize = 21

img_blur = cv.GaussianBlur(img, (winSize, winSize), 5)
img_bin = np.uint8(img > (1-alpha) * img_blur) * 255 

show(img_bin)

对于参数不是很敏感
opencv实现阈值分割_第19张图片

你可能感兴趣的:(opencv,图像,opencv,计算机视觉,python,大津法,自适应阈值)