OpenCV學習筆記(7)——圖像閾值

• 簡單閾值，自適應閾值，Otsu's二值化等

1.簡單閾值

　 當像素值高於閾值時，我們給這個像素賦予一個新值，否則給他賦予另一個值。這個函數就是cv2.threshhold()。這個函數的第一個參數就是原圖像，一般是灰度圖（貌似非灰度圖也可以）。第二個參數就是用來對像素值進行分類的閾值。第三個參數就是當像素值高於閾值時應該被賦予的新像素值。（之前在設置掩碼的時候已經提過這個函數了）

OpenCV提供了多種不同的閾值方法，這是第四個參數。這些方法包括：

• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

具體效果如下：

 

 

最常用的一般是第一個。

該函數有兩個返回值，第一個是retVal（后面會涉及），第二是閾值化后的圖像。例程如下：

# -*- coding:utf-8 -*-

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

img = cv2.imread('2.jpg',0)
ret,thresh1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

#pyplot的繪圖方法
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()

效果如下：

 

 

教材上的例子感覺更明白一點：

 

 

2.自適應閾值

　　在前面部分我們使用的是全局閾值，整幅圖采用同一個數當做閾值。但這種方法並不適用於所有情況，尤其是當同一副圖像上的不同部分的具有不同的亮度的。這時我們可以采用自適應閾值。此時的閾值是根據圖像上的每一個小區域計算與其對應的閾值。因此在同一副圖像上的不同的區域采用的し不同 閾值，從而し我們能在亮度不同時得到更好的結果。

　　這種方法需要我們指定三個參數，返回值只有一個：

• Adaptive Method -指定計算閾值的方法

　　　　-cv2.ADPTIVE_THRESH_MEAN_C:閾值取自相鄰區域的平均值

　　　　-cv2.ADPTIVE_THRESH_GAUSSIAN_C：閾值取值相鄰區域的加權和，權重為一個高斯窗口

• Block Size 鄰域大小（用來計算閾值的區域大小）
• C 一個常數，閾值就等於區域亮度平均值或加權平均值減去這個常數

具體例程如下：

# -*- coding:utf-8 -*-

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

img = cv2.imread('2.jpg',0)
img = cv2.medianBlur(img,5)#中值濾波制造明暗差距

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
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]

#pyplot的繪圖方法
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()

 

# -*- coding:utf-8 -*-

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

img = cv2.imread('2.jpg',0)
img = cv2.medianBlur(img,5)#中值濾波（暫時不知道啥用，后面再說）

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
#注意哪些是需要制定的量，哪些是固定的量
#11 為 Block size，2 為 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]

#pyplot的繪圖方法
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()

 

書上的例圖：

 

 

 

3. Otsu's 二值化

　　這里要用到第一部分提到的retVal。

　　在使用全局閾值時，我們就是隨便給了一個數來做閾值，那我們怎么知道我們選取這個數是好是壞？答案就是不停嘗試。如果是一幅雙峰圖像（即圖像直方圖中存在兩個峰）呢？我們豈不是應該在兩個峰之間的風骨選一個值作為閾值？這就是Otsu二值化需要做的。簡單來說就是對一副雙峰圖像自動根據其直方圖計算出一個閾值(對於非雙峰圖就沒那么理想了）

　　還是使用cv2.threshold()，但是需要多傳入一個參數（flag）：cv2.THRESH_OTSU。這時要把閾值設為0，然后算法會找到最優閾值，這個最優閾值就是retVal。如果不使用Otsu二值化，返回的retVal值與設定的閾值相等。

　　例程中，輸入圖像是一幅帶有噪聲的圖像，第一周方法，設127為全局閾值。第二種方法，直接使用Otsu二值化。第三種方法，我們首先使用一個5*5的高斯核去噪聲，在使用Otsu二值化。

 

# -*- coding:utf-8 -*-

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

img = cv2.imread('6.jpg',0)
#全局閾值方法
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
#Otsu's 閾值方法，閾值一定要設定為0
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
#高斯核濾波后的Otsu‘s閾值，（5,5）的高斯核，0為標准差（暫時不知道啥意思）
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

images = [img, 0, th1,
img, 0, th2,
blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
'Original Noisy Image','Histogram',"Otsu's Thresholding",
'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]

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([])
 # 注意這里畫直方圖的方法，它的參數是一維數組，所以使用了（numpy)ravel方法，將多維數組化為一維數組
 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()

結果如下：

 

教程中的例子更為明顯：