使用工具:Python3.5
使用库:cv2
原始图像
1.简单阀值
cv2.threshold , cv2.adaptiveThreshold
当像素值高于阀值时,我们给这个像素赋予一个新值(可能是白色),否则我们给它赋予另外一种颜色(也许是黑色)。这个函数就是cv2.threshold()。这个函数的第一个参数就是原图像,原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阀值,第三个参数就是当像素值高于(或者小于)阀值时,应该被赋予新的像素值。OpenCV提供了多种不同的阀值方法,这是有第四个参数来决定的。方法包括:
cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV
上图摘选自《学习 OpenCV》中文版,其实这些在文档中都有详细介绍了,你也可以直接查看文档。
这个函数有两个返回值,第一个为retVal,后面会解释,第二个就是阀值化之后的结果图像了。
import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('719100.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]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()
为了在同一个窗口显示更多的图像,使用plt.subplot()。这里不推荐plt显示,由上图可以看出,与原图相差太多,具体原因暂未找出,以后找出会及时更新。
2.自适应阀值
根据图像上的每一个小区域计算与其对应的阀值。因此在同一幅图像上的不同区域采用的是不同的阀值,从而使我们能在亮度不同的情况下得到更好的结果。
这种方法需要我们指定三个参数,返回值只有一个。
Adaptive Method 指定计算阀值的方法
-cv2.ADAPTIVE_THRESH_MEAN_C:阀值取自相邻区域的平均值
-cv2.ADAPTIVE_THRESH_GAUSSIAN_C:阀值取自相邻区域的加权和,权重为一个高斯窗口
Block Size 邻域大小(用来计算阀值的区域大小)
C这就是一个常数,阀值就等于的平均值或者加权平均值减去这个常数
import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('719100.jpg',0)#中值滤波img = cv2.medianBlur(img,5)ret , th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)# 11为block size,2为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]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()
这里不推荐plt显示,由上图可以看出,与原图相差太多,具体原因暂未找出,以后找出会及时更新。
3.Otsu's二值化
我们前面说到,cv2.threshold函数是有两个返回值的,前面一直用的第二个返回值,也就是阈值处理后的图像,那么第一个返回值(得到图像的阈值)将会在这里用到。
前面对于阈值的处理上,我们选择的阈值都是127,那么实际情况下,怎么去选择这个127呢?有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值,而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况,他会在双峰之间找到一个值作为阈值,对于非双峰图像,可能并不是很好用。那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个参数了。因为Otsu’s方法会产生一个阈值,那么函数cv2.threshold的的第二个参数(设置阈值)就是0了,并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU。
import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('719100.jpg',0)ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)#(5,5)为高斯核的大小,0为标准差blur= cv2.GaussianBlur(img,(5,5),0)#阀值一定要设为0ret3,th3=cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)images=[img,0,th1,img,0,th2,img,0,th3]titles =['original noisy image','histogram','global thresholding(v=127)','original noisy image','histogram',"otsu's thresholding",'gaussian giltered image','histogram',"otus's thresholding"]#这里使用了pyplot中画直方图的方法,plt.hist要注意的是他的参数是一维数组#所以这里使用了(numpy)ravel方法,将多维数组转换成一维,也可以使用flatten方法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()
这里不推荐plt显示,由上图可以看出,与原图相差太多,具体原因暂未找出,以后找出会及时更新。
如果觉得《图像阀值》对你有帮助,请点赞、收藏,并留下你的观点哦!