[python-opencv]图像二值化【图像阈值】

图像二值化【图像阈值】简介：

如果灰度图像的像素值大于阈值，则为其分配一个值（可以是白色255），否则为其分配另一个值（可以是黑色0）

图像二值化就是将灰度图像上的像素值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。

python代码层面知识点：

opencv中图像二值化方法：

OTSU
Triangle
自动和手动

自适应阈值

 1 import cv2 as cv
 2 import numpy as np
 3 
 4 #全局阈值
 5 def threshold_demo(image):
 6     gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
 7     ret , binary = cv.threshold(gray,127,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
　　　　#自适应阈值算法 cv.THRESH_BINARY|CV.THRESH_OTSU
 8     print('threshold_value is:',ret)
 9     cv.imshow('threshold_demo',binary)
10 
11 #局部阈值
12 def local_threshold(image):
13     gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
14     # dst = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,25,10)
15     dst = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,25,10)
16     cv.imshow('local_threshold',dst)
17 
18 #自定义阈值
19 def custom_threshold(image):
20     gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)    #转化为灰度图像 [h,w] h行*w列的数组
21     # print('gray:',gray)
22     h , w = gray.shape[:2]
23     m = np.reshape(gray,[1,w*h])   #将gray的图像（h*w）转化为[1行，w*h列]的数组
24     # print('m:',m)
25     mean = m.sum() / (w*h)    #求整个一维数组平均值
26     print('mean:',mean)
27     ret,binary = cv.threshold(gray,mean,255,cv.THRESH_BINARY_INV)
28     print('ret:',ret)
29     cv.imshow('custom_threshold',binary)
30 
31 src = cv.imread('1.jpg')
32 cv.namedWindow('input_image',cv.WINDOW_AUTOSIZE)
33 cv.imshow('input_image',src)
34 
35 # threshold_demo(src)
36 # local_threshold(src)
37 custom_threshold(src)
38 
39 cv.waitKey(0)
40 cv.destroyAllWindows()

原图：

threshold_demo(src)：

local_threshold(src)：

#cv.ADAPTIVE_THRESH_GAUSSIAN_C 局部高斯C方法

#cv.ADAPTIVE_THRESH_MEAN_C 局部平均C方法

custom_threshold(src)：

知识点：图像二值化方法

1、全局阈值

①OpenCV的threshold函数进行全局阈值。其函数原型为：threshold(src, thresh, maxval, type[, dst]) -> retval, dst

src参数表示输入灰度图像（多通道，8位或32位浮点）。

thresh参数表示对像素值进行分类的阈值如自定义为127。

maxval参数它表示阈值最大变量一般设置为255。

type参数表示阈值类型。

retval参数表示返回的阈值。若是全局固定阈值算法，则返回thresh参数值。若是全局自适应阈值算法，则返回自适应计算得出的合适阈值。

dst参数表示输出与src相同大小和类型以及相同通道数的图像。

②type参数阈值类型这部分参考博客：https://blog.csdn.net/iracer/article/details/49232703 ，写的很不错。

阈值类型：

阈值类型图示：

③type参数单独选择上述五种阈值类型时，是固定阈值算法，效果比较差。

此外还有自适应阈值算法：（自适应计算合适的阈值，而不是固定阈值）

比如结合cv.THRESH_OTSU，写成cv.THRESH_BINARY | cv.THRESH_OTSU。

例子：ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU) #大律法,全局自适应阈值,第二个参数值0可改为任意数字但不起作用。

比如结合cv.THRESH_TRIANGLE，写成cv.THRESH_BINARY | cv.THRESH_TRIANGLE。

例子：ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE) #TRIANGLE法,全局自适应阈值,第二个参数值0可改为任意数字但不起作用， cv.THRESH_TRIANGLE适用于单个波峰（如显微镜细胞图像）。

补充：

cv.THRESH_OTSU和cv.THRESH_TRIANGLE也可单独使用，不一定要写成和固定阈值算法结合的形式。单独写和结合起来写，都是自适应阈值算法优先。

例子：ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #大律法 ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_TRIANGLE) #TRIANGLE法

局部阈值

OpenCV的adaptiveThreshold函数进行局部阈值。

函数原型为：adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

src参数表示输入图像（8位单通道图像）。

maxValue参数表示使用 THRESH_BINARY 和 THRESH_BINARY_INV 的最大值.

adaptiveMethod参数表示自适应阈值算法，平均（ADAPTIVE_THRESH_MEAN_C）或高斯（ADAPTIVE_THRESH_GAUSSIAN_C）。

thresholdType参数表示阈值类型，必须为THRESH_BINARY或THRESH_BINARY_INV的阈值类型。

blockSize参数表示块大小（必须是奇数且大于1，比如3，5，7........ ）。

C参数是常数，表示从平均值或加权平均值中减去的数。通常情况下，这是正值，但也可能为零或负值。当（其他值-均值>C 返回1，否者返回0）

补：在使用平均和高斯两种算法情况下，通过计算每个像素周围blockSize x blockSize大小像素块的加权均值并减去常量C即可得到自适应阈值。如果使用平均的方法，则所有像素周围的权值相同；

如果使用高斯的方法，则每个像素周围像素的权值则根据其到中心点的距离通过高斯方程得到。

参考：https://blog.csdn.net/guduruyu/article/details/68059450

3.numpy的reshape函数是给数组一个新的形状而不改变其数据，

函数原型：reshape(a, newshape, order='C')

a参数表示需要重新形成的数组（新数组与原数组的数据内容完全一样）。

newshape参数表示int或int类型元组（tuple），若为(1, 3),表示生成的新数组是1行3列。

order参数表表示使用此索引顺序读取a的元素，并使用此索引顺序将元素放置到重新形成的数组中。

函数返回值：如果可能的话，这将是一个新的视图对象; 否则，它会成为副本。

补充：

在全局阈值处理中，我们使用任意值作为阈值。那么，我们如何知道我们选择的价值是好还是不好？答案是，试错法。

但考虑双峰图像（简单来说，双峰图像是直方图有两个峰值的图像）。对于该图像，我们可以将这些峰值中间的值近似作为阈值，这就是Otsu二值化的作用。

因此，简单来说，它会根据双峰图像的图像直方图自动计算阈值。（对于非双峰图像，二值化不准确。）