【OpenCV C++&Python】(四)图像阈值处理

网友投稿 651 2022-11-26

【OpenCV C++&Python】(四)图像阈值处理

【OpenCV C++&Python】(四)图像阈值处理

文章目录

​​图像阈值处理​​

​​Python​​

​​简单阈值处理​​​​自适应阈值处理​​​​大津(Otsu)法​​

​​C++​​

​​简单阈值处理​​​​自适应阈值处理​​​​大津(Otsu)法​​

图像阈值处理

Python

简单阈值处理

OpenCV的​​cv.threshold​​​用于简单阈值处理,它的第一个参数是灰度源图像​​src​​​;第二个参数是阈值​​thresh​​​;第三个参数是赋值给超过阈值的像素的最大值​​maxval​​;第四个参数则是阈值处理的类型:

​​cv.threshold​​​返回两个输出。第一个是使用的阈值,第二个输出是阈值图像​​dst​​。下面比较不同类型的阈值处理方法:

import cv2 as cvfrom matplotlib import pyplot as pltimport numpy as npimg = cv.imread('threshold.jpg', 0)ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]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()

自适应阈值处理

简单阈值处理在图像全局都使用同一个阈值,如果图像在不同区域有不同的照明条件,这可能就不适用了。在这种情况下,自适应阈值处理更适合。自适应阈值处理根据像素周围的一个小区域来确定阈值。可以使用OpenCV的​​cv.adaptiveThreshold​​实现这个功能。

​​cv.adaptiveThreshold​​​的第一个参数是灰度源图像​​src​​​;第二个参数是赋值给超过阈值的像素的最大值​​maxval​​;

第三个参数​​adaptiveMethod​​决定如何计算阈值:

​​cv.ADAPTIVE_THRESH_MEAN_C​​​:阈值是邻域内像素的平均值减去常数​​C​​。​​cv.ADAPTIVE_THRESH_GAUSSIAN_C​​​:阈值是邻域内像素的高斯加权和减去常数​​C​​。

第四个参数则是阈值处理的类型;第五个参数​​ blockSize​​​决定邻域区域的大小;第六个参数是常数​​C​​。

下面对比一下简单阈值处理和自适应阈值处理:

import cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('adaptiveThreshold.jpg', 0)ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)th2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)th3 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)titles = ['Original Image', 'BINARY(v=127)', 'ADAPTIVE_THRESH_MEAN_C', 'ADAPTIVE_THRESH_GAUSSIAN_C']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()

大津(Otsu)法

在普通阈值处理中,我们需要指定阈值。大津法则能够从图像直方图中自动确定一个最优的全局阈值,即使用大津法不用人工挑选阈值。

由上面式子可得:

类内方差(within-class variance) 定义为:

反映每一类样本方差的大小。(值越小,各类的样本越集中,越好分割)

类间方差(between-class variance) 定义为:

相当于以每一类的均值作为该类的代表值,以总体均值为均值计算方差。类间方差反映阈值两侧数据之间的差异程度。(值越大,类别越明显,越好分割)

再由:

得到:

即类内方差与类间方差之和为定值,最大化类间方差与最小化类内方差等价。

使用​​cv.threshold()​​​函数,阈值处理的类型可以任意选择,​​THRESH_OTSU​​​作为一个额外的​​flag​​即可使用大津法。下面以一个直方图包含两个峰的图像(双峰图像)为例:

import cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('coins.png', 0)# 普通二值化ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)# Otsu法二值化ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU) # 随便给个0为阈值images = [img, [], th1, img, [], th2]titles = ['Original Image', 'Histogram', 'BINARY (v=127)', 'Original Image', 'Histogram', 'OTSU(v=0)']for i in range(2): plt.subplot(2, 3, i * 3 + 1), plt.imshow(images[i * 3], 'gray') plt.title(titles[i * 3]), plt.xticks([]), plt.yticks([]) plt.subplot(2, 3, i * 3 + 2), plt.hist(images[i * 3].ravel(), 256) plt.title(titles[i * 3 + 1]), plt.xticks([]), plt.yticks([]) plt.subplot(2, 3, i * 3 + 3), plt.imshow(images[i * 3 + 2], 'gray') plt.title(titles[i * 3 + 2]), plt.xticks([]), plt.yticks([])plt.show()

大津法无需人工指定阈值即可达到较为理想的效果。

C++

简单阈值处理

#include using namespace cv;int main(){ Mat img = imread("threshold.jpg",0); Mat thresh1, thresh2, thresh3, thresh4, thresh5; threshold(img, thresh1, 127, 255, THRESH_BINARY); threshold(img, thresh2, 127, 255, THRESH_BINARY_INV); threshold(img, thresh3, 127, 255, THRESH_TRUNC); threshold(img, thresh4, 127, 255, THRESH_TOZERO); threshold(img, thresh5, 127, 255, THRESH_TOZERO_INV); imshow("Original Image", img); imshow("BINARY", thresh1); imshow("BINARY_INV", thresh2); imshow("TRUNC", thresh3); imshow("TOZERO", thresh4); imshow("TOZERO_INV", thresh5); waitKey(0); return 0;}

自适应阈值处理

#include using namespace cv;int main(){ Mat img = imread("adaptiveThreshold.jpg",0); Mat thresh1, thresh2, thresh3; threshold(img, thresh1, 127, 255, THRESH_BINARY); adaptiveThreshold(img, thresh2,255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 11, 2); adaptiveThreshold(img, thresh3,255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 11, 2); imshow("Original Image", img); imshow("BINARY", thresh1); imshow("ADAPTIVE_THRESH_MEAN_C", thresh2); imshow("ADAPTIVE_THRESH_GAUSSIAN_C", thresh3); waitKey(0); return 0;}

大津(Otsu)法

#include using namespace cv;int main(){ Mat img = imread("coins.png",0); Mat thresh1, thresh2; threshold(img, thresh1, 127, 255, THRESH_BINARY); threshold(img, thresh2, 0, 255, THRESH_BINARY + THRESH_OTSU); imshow("Original Image", img); imshow("BINARY", thresh1); imshow("OTSU", thresh2); waitKey(0); return 0;}

代码:​​​ 人民邮电出版社

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。

上一篇:kubernetes 二进制安装(v1.20.15)(九)收尾:部署几个仪表盘
下一篇:在业务代码中使用redis实现缓存效果
相关文章

 发表评论

暂时没有评论,来抢沙发吧~