【python-opencv】图像阈值

发布时间：2020-12-20 09:53:37 所属栏目：Python 来源：网络整理

导读：1、简单阈值在这里，问题直截了当。对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数 cv.threshold 用于应用阈值。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个

1、简单阈值

在这里，问题直截了当。对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数cv.threshold用于应用阈值。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了不同类型的阈值，这由函数的第四个参数给出。通过使用cv.THRESH_BINARY类型。所有简单的阈值类型为：

cv.THRESH_BINARY
cv.THRESH_BINARY_INV
cv.THRESH_TRUNC
cv.THRESH_TOZERO
cv.THRESH_TOZERO_INV

请通过类型的文档来观察区别。

该方法返回两个输出。第一个是使用的阈值，第二个输出是阈值后的图像。

此代码比较了不同的简单阈值类型：

import cv2 as cv
 numpy as np
from matplotlib  pyplot as plt
img = cv.imread('gradient.png',0)
ret,thresh1 = cv.threshold(img,127,255Original Image',BINARYBINARY_INVTRUNCTOZEROTOZERO_INV]
images = [img,thresh1,thresh2,thresh3,thresh4,thresh5]
for i in xrange(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],1)">gray)
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

注意?为了绘制多个图像，我们使用plt.subplot()函数。请查看matplotlib文档以获取更多详细信息。

结果：

2、自适应阈值

在上一节中，我们使用一个全局值作为阈值。但这可能并非在所有情况下都很好，例如，如果图像在不同区域具有不同的光照条件。在这种情况下，自适应阈值阈值化可以提供帮助。在此，算法基于像素周围的小区域确定像素的阈值。因此，对于同一图像的不同区域，我们获得了不同的阈值，这为光照度变化的图像提供了更好的结果。

除上述参数外，方法cv.adaptiveThreshold还包含三个输入参数：

该adaptiveMethod决定阈值是如何计算的：

cv.ADAPTIVE_THRESH_MEAN_C::阈值是邻近区域的平均值减去常数C。cv.ADAPTIVE_THRESH_GAUSSIAN_C:阈值是邻域值的高斯加权总和减去常数C。

该BLOCKSIZE确定附近区域的大小，C是从邻域像素的平均或加权总和中减去的一个常数。

下面的代码比较了光照变化的图像的全局阈值和自适应阈值：

 pyplot as plt
img=cv.imread(阈值.png)
ret,th1 = cv.threshold(img,cv.THRESH_BINARY)
th2 = cv.adaptiveThreshold(img,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,11,2)
th3 = cv.adaptiveThreshold(img,cv.ADAPTIVE_THRESH_GAUSSIAN_C,1)">)
titles = [Global Thresholding (v = 127)Adaptive Mean ThresholdingAdaptive Gaussian Thresholdingin range(4

3、Otsu二值化
在全局阈值化中，我们使用任意选择的值作为阈值。相反，Otsu的方法避免了必须选择一个值并自动确定它的情况。
考虑仅具有两个不同图像值的图像（双峰图像），其中直方图将仅包含两个峰。一个好的阈值应该在这两个值的中间。类似地，Otsu的方法从图像直方图中确定最佳全局阈值。
为此，使用了cv.threshold作为附加标志传递。阈值可以任意选择。然后，算法找到最佳阈值，该阈值作为第一输出返回。
查看以下示例。输入图像为噪点图像。在第一种情况下，采用值为127的全局阈值。在第二种情况下，直接采用Otsu阈值法。在第三种情况下，首先使用5x5高斯核对图像进行滤波以去除噪声，然后应用Otsu阈值处理。了解噪声滤波如何改善结果。

noisy2.png# 全局阈值
ret1,th1 = cv.threshold(img,cv.THRESH_BINARY)
 Otsu阈值
ret2,th2 = cv.threshold(img,cv.THRESH_BINARY+cv.THRESH_OTSU)
 高斯滤波后再采用Otsu阈值
blur = cv.GaussianBlur(img,(5,1)">),0)
ret3,th3 = cv.threshold(blur,1)"> 绘制所有图像及其直方图
images =Original Noisy ImageHistogramGlobal Thresholding (v=127)"Otsu's Thresholding"Gaussian filtered Image]
in xrange(3):
    plt.subplot(3,i*3+1),plt.imshow(images[i*3],1)">)
    plt.title(titles[i*3]),plt.xticks([]),plt.yticks([])
    plt.subplot(3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1)
    plt.title(titles[i*3+2

Otsu的原理？
由于我们正在处理双峰图像，因此Otsu的算法尝试找到一个阈值(t)，该阈值将由关系式给出的加权类内方差最小化。际上，它找到位于两个峰值之间的t值，以使两个类别的差异最小。它可以简单地在Python中实现，如下所示：

img = cv.imread( 寻找归一化直方图和对应的累积分布函数
hist = cv.calcHist([blur],[0],None,[256],[0,1)">])
hist_norm = hist.ravel()/hist.max()
Q = hist_norm.cumsum()
bins = np.arange(256)
fn_min = np.inf
thresh = -1
in xrange(1,1)">):
    p1,p2 = np.hsplit(hist_norm,[i])  概率
    q1,q2 = Q[i],Q[255]-Q[i]  对类求和
    b1,b2 = np.hsplit(bins,1)"> 权重
     寻找均值和方差
    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
     计算最小化函数
    fn = v1*q1 + v2*if fn < fn_min:
        fn_min = fn
        thresh = i
 使用OpenCV函数找到otsu的阈值
ret,otsu = cv.threshold(blur,1)">print( {} {}".format(thresh,ret) )

?
参考：
?http://woshicver.com/FifthSection/4_3_%E5%9B%BE%E5%83%8F%E9%98%88%E5%80%BC/
                        （编辑：李大同）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!