图像阈值

图像分类

安装颜色对图像进行分类，可以分为二值图像，灰度图像和彩色图像。

1. 二值图像：只有黑色和白色两种颜色的图像。每个像素点可以用0/1表示，0表示黑色，1表示白色。
2. 灰度图像：只有灰度的图像。每个像素点用8bit数字[0,255]表示灰度，如：0表示纯黑，255表示纯白。
3. 彩色图像：彩色图像通常采用红色（R），绿色（G）和蓝色（B）三个彩色通道的组合表示。

简单阈值

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。

cv.threshold(src,thresh,maxval,type,dst)

• src：变换操作的输入图像，ndarray二维数组，必须是单通道灰度图像。
• thresh：阈值，取值范围0~255.
• maxval：填充色，取值范围0~255，一般取255.
• type：变换类型
• dst：返回阈值变换的输出图像。

type值说明

• cv.THRESH_BINARY：表示大于阈值时置255，否则置0.
• cv.THRESH_BINARY_INV：表示大于阈值时置0，否则置255.
• cv.THRESH_TRUNC：表示大于阈值时置为阈值thresh，否则不变（保持原色）
• cv.THRESH_TOZERO：表示大于阈值时不变（保持原色），否则置0。
• cv.THRESH_TOZERO_INV：表示大于阈值时置0，否则不变（保持原色）。
• cv.THRESH_OTSU：表示使用OTSU算法选择阈值。

import cv2 as cv
from matplotlib import pyplot as plt

img=cv.imread('./images/lena.jpeg',0)
ret,binary=cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,binary_inv=cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,trunc=cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,tozero=cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,tozero_inv=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)

titles=["original","binary","binary_inv","trunc","tozero","tozero_inv"]
images=[img,binary,binary_inv,trunc,tozero,tozero_inv]
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()

结果：

 自适应阈值

上面使用全局值作为阈值，可能并非所用情况都很好。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，获得不同的阈值，这为光照强度变换的图像提供了更好的结果。

除了上述参数外，方法cv.adaptiveThreshold还包括三个输入参数：

adaptiveMethod：指定计算阈值的方法

• cv.ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值。
• cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值取自相邻区域的加权和，权重为一个高斯窗口。

Block Size：领域大小（用来计算阈值的区域大小）

C：这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数。

import cv2 as cv
import matplotlib.pyplot as plt

img=cv.imread('./images/lena.jpeg',0)
img=cv.medianBlur(img,5)
ret,thresh1=cv.threshold(img,127,255,cv.THRESH_BINARY)
thresh2=cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,11,2)
thresh3=cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,11,2)

titles=["original","binary(v=127)","adaptive mean","adaptive gaussian"]
images=[img,thresh1,thresh2,thresh3]

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()

结果：

 Otsu的二值化

在全局阈值化中，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。

 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。

import cv2 as cv
from matplotlib import pyplot as plt

img=cv.imread('./images/lena.jpeg',0)
# 全局阈值
ret1,th1=cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu阈值
ret2,th2=cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 高斯滤波后在采用Otsu阈值
blur=cv.GaussianBlur(img,(5,5),0)
ret3,th3=cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
images=[img,0,th1,
        img,0,th2,
        blur,0,th3]
titles=["original","histogram","global thresholdding(v=127)",
        "original","histogram","otsu's thresholding",
        "gaussian filter","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([])
    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()