opencv二值化的cv2.threshold函數

（一）簡單閾值

簡單閾值當然是最簡單，選取一個全局閾值，然后就把整幅圖像分成了非黑即白的二值圖像了。函數為cv2.threshold()
這個函數有四個參數，第一個原圖像，第二個進行分類的閾值，第三個是高於（低於）閾值時賦予的新值，第四個是一個方法選擇參數，常用的有：
• cv2.THRESH_BINARY（黑白二值）
• cv2.THRESH_BINARY_INV（黑白二值反轉）
• cv2.THRESH_TRUNC （得到的圖像為多像素值）
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV
該函數有兩個返回值，第一個retVal（得到的閾值值（在后面一個方法中會用到）），第二個就是閾值化后的圖像。
一個實例如下：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)
titles = ['img','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()

可以看到這里把閾值設置成了127，對於BINARY方法，當圖像中的灰度值大於127的重置像素值為255.

 

（二）自適應閾值：

前面看到簡單閾值是一種全局性的閾值，只需要規定一個閾值值，整個圖像都和這個閾值比較。而自適應閾值可以看成一種局部性的閾值，通過規定一個區域大小，比較這個點與區域大小里面像素點的平均值（或者其他特征）的大小關系確定這個像素點是屬於黑或者白（如果是二值情況）。使用的函數為：cv2.adaptiveThreshold（）
該函數需要填6個參數：

• 第一個原始圖像
• 第二個像素值上限
• 第三個自適應方法Adaptive Method:
  — cv2.ADAPTIVE_THRESH_MEAN_C ：領域內均值
  —cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領域內像素點加權和，權 重為一個高斯窗口
• 第四個值的賦值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
• 第五個Block size:規定領域大小（一個正方形的領域）
• 第六個常數C，閾值等於均值或者加權值減去這個常數（為0相當於閾值 就是求得領域內均值或者加權值）
  這種方法理論上得到的效果更好，相當於在動態自適應的調整屬於自己像素點的閾值，而不是整幅圖像都用一個閾值。

一個實例如下：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,th1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2) #換行符號 \
th3 = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
cv2.THRESH_BINARY,11,2) #換行符號 \
images = [gray,th1,th2,th3]
plt.figure()
for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
plt.show()

可以看到上述窗口大小使用的為11，當窗口越小的時候，得到的圖像越細。想想一下，如果把窗口設置足夠大以后（不能超過圖像大小），那么得到的結果可能就和第二幅圖像的相同了。

 

（三）Otsu’s二值化

我們前面說到，cv2.threshold函數是有兩個返回值的，前面一直用的第二個返回值，也就是閾值處理后的圖像，那么第一個返回值（得到圖像的閾值）將會在這里用到。
前面對於閾值的處理上，我們選擇的閾值都是127，那么實際情況下，怎么去選擇這個127呢？有的圖像可能閾值不是127得到的效果更好。那么這里我們需要算法自己去尋找到一個閾值，而Otsu’s就可以自己找到一個認為最好的閾值。並且Otsu’s非常適合於圖像灰度直方圖具有雙峰的情況，他會在雙峰之間找到一個值作為閾值，對於非雙峰圖像，可能並不是很好用。那么經過Otsu’s得到的那個閾值就是函數cv2.threshold的第一個參數了。因為Otsu’s方法會產生一個閾值，那么函數cv2.threshold的的第二個參數（設置閾值）就是0了，並且在cv2.threshold的方法參數中還得加上語句cv2.THRESH_OTSU。那么什么是雙峰圖像（只能是灰度圖像才有），就是圖像的灰度統計圖中可以明顯看出只有兩個波峰，比如下面一個圖的灰度直方圖就可以是雙峰圖：

好了現在對這個圖進行Otsu’s閾值處理就非常的好，通過函數cv2.threshold會自動找到一個介於兩波峰之間的閾值。一個實例如下：

import cv2
import matplotlib.pyplot as plt
img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#簡單濾波
ret1,th1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#Otsu 濾波
ret2,th2 = cv2.threshold(gray,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print(ret2)
plt.figure()
plt.subplot(221),plt.imshow(gray,'gray')
plt.subplot(222),plt.hist(gray.ravel(),256)#.ravel方法將矩陣轉化為一維
plt.subplot(223),plt.imshow(th1,'gray')
plt.subplot(224),plt.imshow(th2,'gray')

print(ret2) 得到的結果為144。可以看出似乎兩個結果並沒有很明顯差別，主要是兩個閾值（127與144）太相近了，如果這兩個隔得很遠那么會很明顯的。