基于阈值的图像分割方法以及Python实现

阈值分割定义

阈值分割法可以说是图像分割中的经典方法，它利用图像中要提取的目标与背景在灰度上的差异，通过设置阈值来把像素分成若干类，从而实现目标与背景的分离。
根据不同的分类方法，阈值分割有以下几种方法：

1. 固定阈值分割
2. 迭代阈值分割
3. 大津法OTSU
4. 自适应阈值分割

一、固定阈值分割法

将灰度值大于某一阈值的像素点设置为255，而小于等于该阈值的点设置为0。

函数说明：

cv2.threshold(src, thresh, maxval, type[, dst]) → retval, dst

函数 threshold() 可以将灰度图像转换为二值图像，图像完全由像素 0 和 255 构成，呈现出只有黑白两色的视觉效果。

参数说明：

• scr：变换操作的输入图像，nparray 二维数组，必须是单通道灰度图像！
• thresh：阈值，取值范围 0~255
• maxval：填充色，取值范围 0～255，一般取 255
• type：变换类型
• • cv2.THRESH_BINARY：大于阈值时置 255，否则置 0
• • cv2.THRESH_BINARY_INV：大于阈值时置 0，否则置 255
• • cv2.THRESH_TRUNC：大于阈值时置为阈值 thresh，否则不变（保持原色）
• • cv2.THRESH_TOZERO：大于阈值时不变（保持原色），否则置 0
• • cv2.THRESH_TOZERO_INV：大于阈值时置 0，否则不变（保持原色）
• • cv2.THRESH_OTSU：使用 OTSU 算法选择阈值
• 返回值 retval：返回二值化的阈值
• 返回值 dst：返回阈值变换的输出图像

代码如下

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('./data/image.jpg', flags=1)  # 读取彩色图像
img_gray = cv2.imread('./data/image.jpg', flags=0)  # 读取灰度图像
ret, th = cv2.threshold(img_gray, 120, 255, cv2.THRESH_BINARY)  # 用cv2实现固定阈值分割

plt.subplot(131), plt.imshow(img)
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.imshow(img_gray, cmap='gray')
plt.title('Gray Image'), plt.xticks([]), plt.yticks([])
plt.subplot(133), plt.imshow(th, cmap='gray')
plt.title('Fix Image'), plt.xticks([]), plt.yticks([])
plt.show()

输出结果如下

二、迭代阈值分割

1 直方图

灰度直方图反映了图像中的灰度分布规律，直观地表现了图像中各灰度级的占比，很好地体现出图像的亮度和对比度信息：灰度图分布居中说明亮度正常，偏左说明亮度较暗，偏右表明亮度较高；狭窄陡峭表明对比度降低，宽泛平缓表明对比度较高。
横坐标代表灰度值的取值区间，纵坐标代表每一像素值在图像中的像素总数或者所占的百分比。

函数说明

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) → hist

函数 cv2.calcHist 可以计算一维直方图或二维直方图，函数的参数 images, channels, histSize, ranges 在计算一维直方图时也要带 [] 号。

参数说明

• images：输入图像，用 [] 括号表示

• channels： 直方图计算的通道，用 [] 括号表示

• mask：掩模图像，一般置为 None

• histSize：直方柱的数量，一般取 256

• ranges：像素值的取值范围，一般为 [0,256]

• 返回值 hist：返回每一像素值在图像中的像素总数，形状为 (histSize,1)

代码如下

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

img = cv2.imread("./data/image.jpg", flags=0)  # flags=0 读取为灰度图像
histCV = cv2.calcHist([img], [0], None, [256], [0, 256])  # OpenCV 函数 cv2.calcHist

plt.figure(figsize=(10, 3))
plt.subplot(121), plt.imshow(img, cmap='gray', vmin=0, vmax=255), plt.title("Original"), plt.axis('off')
plt.subplot(122, xticks=[], yticks=[]), plt.axis([0, 255, 0, np.max(histCV)])
plt.bar(range(256), histCV[:, 0]), plt.title("Gray Hist")
plt.show()

输出结果如下

2 原理

1. 设置初始阈值$T$，通常可以设为图像的平均灰度；
2. 用灰度阈值$T$分割图像：灰度值小于$T$的所有像素集合$G_1$和大于等于$T$的所有像素集合$G_2$；
3. 分别计算$G_1$、$G_2$的平均灰度值$m_1$、$m_2$；
4. 求出新的灰度阈值$$T=\frac{m_1+m_2}{2}$$
5. 重复步骤（2）～（4），直到阈值变化小于设定值。

代码如下

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("./data/image.jpg", flags=0)

deltaT = 1  # 预定义值
histCV = cv2.calcHist([img], [0], None, [256], [0, 256])  # 灰度直方图
grayScale = range(256)  # 灰度级 [0,255]
totalPixels = img.shape[0] * img.shape[1]  # 像素总数
totalGary = np.dot(histCV[:, 0], grayScale)  # 内积, 总和灰度值
T = round(totalGary / totalPixels)  # 平均灰度

while True:
    numG1, sumG1 = 0, 0
    for i in range(T):  # 计算 C1: (0,T) 平均灰度
        numG1 += histCV[i, 0]  # C1 像素数量
        sumG1 += histCV[i, 0] * i  # C1 灰度值总和
    numG2, sumG2 = (totalPixels - numG1), (totalGary - sumG1)  # C2 像素数量, 灰度值总和
    T1 = round(sumG1 / numG1)  # C1 平均灰度
    T2 = round(sumG2 / numG2)  # C2 平均灰度
    Tnew = round((T1 + T2) / 2)  # 计算新的阈值
    print("T={}, m1={}, m2={}, Tnew={}".format(T, T1, T2, Tnew))
    if abs(T - Tnew) < deltaT:  # 等价于 T==Tnew
        break
    else:
        T = Tnew

# 阈值处理
ret, imgBin = cv2.threshold(img, T, 255, cv2.THRESH_BINARY)  # 阈值分割, thresh=T

plt.figure(figsize=(11, 4))
plt.subplot(121), plt.axis('off'), plt.title("original"), plt.imshow(img, 'gray')
plt.subplot(122), plt.title("threshold={}".format(T)), plt.axis('off')
plt.imshow(imgBin, 'gray')
plt.tight_layout()
plt.show()

输出结果如下

三、大津法OTSU

大津法OTSU使用最大化类间方差（intra-class variance）作为评价准则，基于对图像直方图的计算，可以给出类间最优分离的最优阈值。

原理

1. 设置初始阈值$T$；
2. 用灰度阈值$T$分割图像：灰度值小于$T$的所有像素集合$G_1$和大于等于$T$的所有像素集合$G_2$；
3. 计算图像全局灰度均值$m$、计算$G_1$、$G_2$的像素数占比$p_1$、$p_2$以及它们的灰度值均值$m_1$、$m_2$；
4. 定义类间方差$$ICV=p_1\ast (m_1-m{)}^2+p_2\ast (m_2-m{)}^2$$
5. 使类间方差ICV最大化的灰度值$T$就是最优阈值，因此只要遍历所有的灰度值，就可以得到最优阈值。

OpenCV 提供了函数 cv.threshold 可以对图像进行阈值处理，将参数 type 设为 cv.THRESH_OTSU，就可以使用使用 OTSU 算法进行最优阈值分割。

代码如下

import cv2
from matplotlib import pyplot as plt

img = cv2.imread("./data/image.jpg", flags=0)
ret2, imgOtsu = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)  # 阈值分割, thresh=T

plt.figure(figsize=(7, 7))
plt.title("OTSU binary(T={})".format(round(ret2))), plt.axis('off')
plt.imshow(imgOtsu, 'gray')
plt.tight_layout()
plt.show()

输出结果如下

四、自适应阈值分割

噪声和非均匀光照等因素对阈值处理的影响很大，例如光照复杂时 Otsu 算法等全局阈值分割方法的效果往往不太理想，需要使用可变阈值处理。
可变阈值是指对于图像中的每个像素点或像素块有不同的阈值，如果该像素点大于其对应的阈值则认为是前景。
局部阈值分割可以根据图像的局部特征进行处理，与图像像素位置、灰度值及邻域特征值有关。
可变阈值处理的基本方法，是对图像中的每个点，根据其邻域的性质计算阈值。标准差和均值是对比度和平均灰度的描述，在局部阈值处理中非常有效。

函数说明

cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
→ dst

参数说明

• scr：输入图像，nparray 二维数组，必须是 8-bit 单通道灰度图像！
• dst：输出图像，大小和格式与 scr 相同
• maxValue：为满足条件的像素指定的非零值，具体用法见 thresholdType 说明
• adaptiveMethod：自适应方法选择
• • cv.ADAPTIVE_THRESH_MEAN_C：阈值是邻域的均值
• • cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是邻域的高斯核加权均值
• thresholdType：阈值处理方法
• • cv2.THRESH_BINARY：大于阈值时置 maxValue，否则置 0
• • cv2.THRESH_BINARY_INV：大于阈值时置 0，否则置 maxValue
• blockSize：像素邻域的尺寸，用于计算邻域的阈值，通常取 3，5，7
• C：偏移量，从邻域均值中减去该常数

代码如下

import cv2
from matplotlib import pyplot as plt

img = cv2.imread("./data/image.jpg", flags=0)

# 自适应局部阈值处理
binaryMean = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
binaryGauss = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)

plt.subplot(121), plt.axis('off'), plt.title("Adaptive mean")
plt.imshow(binaryMean, 'gray')
plt.subplot(122), plt.axis('off'), plt.title("Adaptive Gauss")
plt.imshow(binaryGauss, 'gray')
plt.tight_layout()
plt.show()

输出结果如下