opencv-python教程学习系列12-图像阈值

opencv-python教程学习系列12-图像阈值

前言

opencv-python教程学习系列记录学习python-opencv过程的点滴，本文主要介绍图像阈值/二值化，坚持学习，共同进步。

系列教程参照​​OpenCV-Python中文教程​​；

系统环境

系统：win7_x64;

python版本：python3.5.2；

opencv版本：opencv3.3.1；

内容安排

1.知识点介绍；

2.测试代码；

具体内容

1.知识点介绍；

图像的阈值处理一般使得图像的像素值更单一、图像更简单。阈值可以分为全局性质的阈值，也可以分为局部性质的阈值，可以是单阈值的也可以是多阈值的。当然阈值越多是越复杂的。下面将介绍opencv下的三种阈值方法。主要涉及的函数是cv2.threshold , cv2.adaptiveThreshold；

1.1 简单阈值；

简单阈值当然是最简单，选取一个全局阈值，然后把整幅图像分成了非黑即白的二值图像。

使用的函数是cv2.threshold，包括四个参数，第一个是原图像(灰度图像)，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，常用的方法有： • cv2.THRESH_BINARY（黑白二值） • cv2.THRESH_BINARY_INV（黑白二值反转） • cv2.THRESH_TRUNC （得到的图像为多像素值） • cv2.THRESH_TOZERO • cv2.THRESH_TOZERO_INV 该函数有两个返回值，第一个retVal（得到的分割阈值），第二个就是阈值化后的图像。

ret , thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

1.2 自适应阈值；

自适应阈值可以看成一种局部性的阈值，通过规定一个区域大小，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是属于黑或者白（如果是二值情况）。使用的函数为cv2.adaptiveThreshold，该函数有6个参数，分别是原始灰度图像、像素值上限、自适应方法、赋值方法、邻域大小、常数，其中自适应方法包含cv2.ADAPTIVE_THRESH_MEAN_C (邻域均值)和cv2.ADAPTIVE_THRESH_GAUSSIAN_C(邻域加权和)两种，常数表示阈值等于均值或者加权值减去这个常数；

ret , th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)# 11为block size，2为C值th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C , cv2.THRESH_BINARY,11,2 )

1.3 大津法OTSU；

Otsu方法试图自动找到一个最好的阈值，可以最小化加权的类内方差，并且Otsu非常适合于图像灰度直方图具有双峰的情况，在双峰(bimodal )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。

ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

2.测试代码；

2.1 自适应阈值；

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('test.jpg',0)#中值滤波img = cv2.medianBlur(img,5)ret , th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)# 11为block size，2为C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' , 'global thresholding (v=127)','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()

2.2 OTSU方法；

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('test.jpg',0)ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)#(5,5)为高斯核的大小，0为标准差blur= cv2.GaussianBlur(img,(5,5),0)#高斯滤波平滑#阀值一定要设为0ret3,th3=cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)images=[img,0,th1, img,0,th2, img,0,th3]titles =['original noisy image','histogram','global thresholding(v=127)', 'original noisy image','histogram',"otsu's thresholding", 'gaussian filtered image','histogram',"otus's thresholding"]#这里使用了pyplot中画直方图的方法，plt.hist要注意的是他的参数是一维数组#所以这里使用了（numpy）ravel方法，将多维数组转换成一维，也可以使用flatten方法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()

2.3 OTSU的实现；

#opencv官网cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('test.jpg',0)blur = cv2.GaussianBlur(img,(5,5),0)# find normalized_histogram, and its cumulative distribution functionhist = cv2.calcHist([blur],[0],None,[256],[0,256])hist_norm = hist.ravel()/hist.max()Q = hist_norm.cumsum()bins = np.arange(256)fn_min = np.infthresh = -1for i in range(1,256): p1,p2 = np.hsplit(hist_norm,[i]) # probabilities q1,q2 = Q[i],Q[255]-Q[i] # cum sum of classes b1,b2 = np.hsplit(bins,[i]) # weights # finding means and variances m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2 v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2 # calculates the minimization function fn = v1*q1 + v2*q2 if fn < fn_min: fn_min = fn thresh = i# find otsu's threshold value with OpenCV functionret, otsu = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)print( "{} {}".format(thresh,ret) )#ret表示得到的分割阈值;

参考

1.​​图像阈值​​；

3.​​opencv官网​​；

完

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。