图像处理之二值化图像

图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。将所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。下面详细介绍图像二值化过程。

阈值设定分为：
    1.全局性质的阈值（又分为简单阈值和自适应阈值）
    2.局部性质的阈值（Otsu's二值化）
首先，用设置阈值的图像都必须是灰度图像。其次，在设置简单阈值和Otsu's二值化时，使用cv2.threshold（）函数。而在设置自适应阈值时，使用cv2.adaptiveThreshold()函数。

cv2.threshold()函数，它有四个输入，第一个是原图像(必须为灰度图)，第二个是阈值，第三个是高于（低于）阈值赋予的新的像素，第四个是选择性参数：
  cv2.THRESH_BINARY（黑白二值）
  cv2.THRESH_BINARY_INV（黑白二值反转）
  cv2.THRESH_TRUNC （得到的图像为多像素值）
  cv2.THRESH_TOZERO（黑灰二值）
  cv2.THRESH_TOZERO_INV（黑灰二值反转）
  该函数有两个返回值，第一个ret值（得到的阈值值），第二个th值就是阈值化后的图像。

cv2.adaptiveThreshold（） 函数，它有六个参数：
第一个原始图像
第二个像素值上限
第三个自适应方法Adaptive Method:
 cv2.ADAPTIVE_THRESH_MEAN_C ：领域内均值
 cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，权重为一个高斯窗口
第四个值的赋值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
第五个Block size:规定领域大小（一个正方形的领域）
第六个常数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值，就是求得领域内均值或者加权值）

Otsu's二值化：
   这是一个更加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。

# 下面就是对以上三种设置阈值方式的一个例子import cv2import matplotlib.pyplot as pltimg = cv2.imread("DLS.jpg", 0)img = cv2.medianBlur(img, 5)ret1, th1 = cv2.threshold(img, 127, 225, cv2.THRESH_BINARY)ret2, th_1 = cv2.threshold(img, 0, 225, cv2.THRESH_BINARY+cv2.THRESH_OTSU)print ret2th2 = 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", "Otsu Thresholding", "Histogram"]images = [img, th1, th2, th3, th_1, ret2]for i in xrange(6):    plt.subplot(3,2,i+1)    if i < 5:        plt.imshow(images[i], "gray")        plt.xticks([]), plt.yticks([])    if i == 5:        plt.hist(img.ravel(), 256)    plt.title(titles[i])plt.savefig("Threshold_image")

从上图可以清楚的看出使用Otsu‘s是最好的区别了前景和背景，但是，这也不是绝对，个人觉得算法没有好坏，只有合适不合适还有参数设置是否最佳。针对不同的图像，可能得到的效果不一致。