四、图像阈值分割（二值化）

目录

（一）简单阈值

（二）自适应阈值

（三）Otsu's二值化

---

处理灰度图

一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值 T，用 T 将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。

       阈值分割法的特点是:适用于目标与背景灰度有较强对比的情况，重要的是背景或物体的灰度比较单一，而且总可以得到封闭且连通区域的边界。

（一）简单阈值

选取一个全局阈值，然后就把整幅图像分成非黑即白的二值图像。

cv2.threshold( )

这个函数有四个参数，第一个是原图像矩阵，第二个是进行分类的阈值，第三个是高于（低于）阈值时赋予的新值，第四个是一个方法选择参数，常用的有：

• cv2.THRESH_BINARY（黑白二值）

• cv2.THRESH_BINARY_INV（黑白二值翻转）

• cv2.THRESH_TRUNC（得到额图像为多像素值）

• cv2.THRESH_TOZERO（当像素高于阈值时像素设置为自己提供的像素值，低于阈值时不作处理）

• cv2.THRESH_TOZERO_INV（当像素低于阈值时设置为自己提供的像素值，高于阈值时不作处理）

这个函数返回两个值，第一个值为阈值，第二个就是阈值处理后的图像矩阵。
 

# encoding: utf-8

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

def show_img(name="test",img=None):
    plt.figure()
    plt.imshow(img)
    plt.title(name)
    plt.show()

path = r"lena.jpg"
img = cv2.imread(path，0)

# binary （黑白二值）0,255
ret1, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) 
# （黑白二值反转）255,0
ret2, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)  
# 得到的图像为多像素值
ret3, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)  
# 高于阈值时像素设置为255，低于阈值时不作处理
ret4, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)  
# 低于阈值时设置为255，高于阈值时不作处理
ret5, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)  

show_img('thresh1', thresh1)
cv2.imshow('thresh2', thresh2)
cv2.imshow('thresh3', thresh3)
cv2.imshow('thresh4', thresh4)
cv2.imshow('thresh5', thresh5)
cv2.imshow('grey-map', img)

（二）自适应阈值

一中的简单阈值是一种全局性的阈值，只需要设定一个阈值，整个图像都和这个阈值比较。而自适应阈值可以看成一种局部性的阈值，通过设定一个区域大小，比较这个点与区域大小里面像素点 的平均值（或者其他特征）的大小关系确定这个像素点的情况。使用的函数为：

cv2.adaptiveThreshold()

参数：

• 第一个参数 src     指原图像，原图像应该是灰度图。

• 第二个参数 x       指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值

• 第三个参数 adaptive_method  指： CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C

• 第四个参数  threshold_type  指取阈值类型：必须是下者之一                                                                           CV_THRESH_BINARY，CV_THRESH_BINARY_INV

• 第五个参数 block_size  指用来计算阈值的象素邻域大小: 3, 5, 7, ...

• 第六个参数 param1   指与方法有关的参数。对方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一个从均值或加权均值提取的常数, 尽管它可以是负数。

自适应阈值：

• 对方法CV_ADAPTIVE_THRESH_MEAN_C，先求出块中的均值，再减掉param1。

• 对方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ，先求出块中的加权和(gaussian)， 再减掉param1。

# encoding: utf-8

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

def show_img(name="test",img=None):
    plt.figure()
    plt.imshow(img)
    plt.title(name)
    plt.show()

path = r"lena.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, th1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 第一个参数为原始图像矩阵，第二个参数为像素值上限，第三个是自适应方法（adaptive method）：
#           -----cv2.ADAPTIVE_THRESH_MEAN_C:领域内均值
#           -----cv2.ADAPTIVE_THRESH_GAUSSIAN_C:领域内像素点加权和，权重为一个高斯窗口
# 第四个值的赋值方法：只有cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV
# 第五个Block size：设定领域大小（一个正方形的领域）
# 第六个参数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值，就是求得领域内均值或者加权值）
# 这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，而不是整幅图都用一个阈值
th2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 2)
th3 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th4 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

show_img('img', img)
show_img('th1', th1)
show_img('th2', th2)
show_img('th3', th3)
show_img('th4', th4)

（三）Otsu's二值化

我们前面说到，cv2.threshold函数是有两个返回值的，前面一直用的第二个返回值，也就是阈值处理后的图像，那么第一个返回值（得到图像的阈值）将会在这里用到。

前面对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值，而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。

那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个参数了。因为Otsu’s方法会产生一个阈值，那么函数cv2.threshold的的第二个参数（设置阈值）就是0了，并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU

那么什么是双峰图像（只能是灰度图像才有），就是图像的灰度统计图中可以明显看出只有两个波峰，比如下面一个图的灰度直方图就可以是双峰图：

现在对这个图进行Otsu’s阈值处理就非常的好，通过函数cv2.threshold会自动找到一个介于两波峰之间的阈值。一个实例如下：

# encoding: utf-8

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

path = r"lena.jpg"
img = cv2.imread(path)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#简单滤波
ret, th1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# Otsu 滤波
ret2, th2 = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

plt.figure()
plt.subplot(221), plt.imshow(gray,'gray')
# .ravel方法将矩阵转化为一维,画出灰度直方图
plt.subplot(222), plt.hist(gray.ravel(), 256)
plt.subplot(223), plt.imshow(th1,'gray')
plt.subplot(224), plt.imshow(th2,'gray')
plt.show()