python opencv入门 图像阈值（10）

内容来自OpenCV-Python Tutorials 自己翻译整理

目标：
学习自适应阈值控制，Otsu阈值，等等

学习函数 cv2.threshold, cv2.adaptiveThreshold等等

简单阈值：

原理很直接，如果像素值大于一个阈值，那么久将它赋值一个数，否则赋值成另外一个数。函数使用cv2.threshold
第一参数是原图像，而且这个图像应该是一个灰度图像。第二个参数用来区分像素的阈值。第三个参数是像素值大于阈值时的上限。opencv提供了不同样式的阈值并且由第四个参数决定。类型如下
cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV

参数见名知意

有两个输出结果，第一个是retval，后面解释。第二个数阈值处理后的图片。

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('4.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()

自适应阈值
前面部分使用了全局值作为阈值。在图片光照条件不同的情况下可能效果不好。现在选用自适应阈值，该算法计算图片一小部分区域的阈值。所以可以获得相同图片不同区域的阈值，并且能提供给用户在变化光照情况系下更好的结果。

有三个特别的输入参数，只有一个输出。

第一个参数：自适应方法 决定阈值如何被计算。

• cv2.ADAPTIVE_THRESH_MEAN_C 阈值取邻近区域的平均值
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C 阈值取带权邻近区域值的和，并且权值是高斯窗口

第二个参数：区域大小
邻近区域的大小

第三个参数：在计算均值和带权均值时减去的常量。

下面例子是对比全局阈值和自适应阈值在不同光照情况的效果

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('6.jpg',0)img = cv2.medianBlur(img,5)ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)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()

Otsu二值化

上面说的retval参数可以在Otsu时用到
在全局变量的阈值当中，使用一个比较模糊的值，那么怎么才能知道选择的值是好是坏？答案是实验和尝试法。考虑一个双峰的图像（就是图像的直方图有两个峰值）。对于图像，我们可以大约的取到一个在两个峰值之间的值作为阈值。这就是Otsu二值化的方法。所以，这种方法自动的在双峰图像的图像直方图中计算一个阈值。（如果不是双峰图像，二值化效果不准（废话~））

在cv2.threshold()函数当中传入cv2.THRESH_OTSU即可。对于阈值参数，传入0即可。算法会自动寻找最优的阈值并且返回值是retVal。如果Otsu的阈值方法没有使用，retVal和普通的阈值一样。

下面的是一个有噪声的图片，首先使用全局阈值127，在第二个例子当中是用Otsu阈值，在第三个例子当中，使用5*5的高斯滤波去除噪声，然后再用Otsu

（原代码是python2 我的编译环境是python3）

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread('6.jpg',0)# global thresholdingret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)# Otsu's thresholdingret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# Otsu's thresholding after Gaussian filteringblur = cv2.GaussianBlur(img,(5,5),0)ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# plot all the images and their histogramsimages = [img, 0, th1,          img, 0, th2,          blur, 0, th3]titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',          'Original Noisy Image','Histogram',"Otsu's Thresholding",          'Gaussian filtered Image','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()

Otsu二值化是如何工作的？

Otsu算法找一个阈值，这个阈值使加权内方差最小

（公式没解释，没看懂-_-）

公式实现

import cv2import numpy as npimg = cv2.imread('6.jpg',0)blur = cv2.GaussianBlur(img,(5,5),0)# find normalized_histogram, and its cumulative distribution functionhist = cv2.calcHist([blur],[0],None,[256],[0,256])hist_norm = hist.ravel()/hist.max()Q = hist_norm.cumsum()bins = np.arange(256)fn_min = np.infthresh = -1for i in range(1,256):    p1,p2 = np.hsplit(hist_norm,[i]) # probabilities    q1,q2 = Q[i],Q[255]-Q[i] # cum sum of classes    b1,b2 = np.hsplit(bins,[i]) # weights    # finding means and variances    m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2    v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2    # calculates the minimization function    fn = v1*q1 + v2*q2    if fn < fn_min:        fn_min = fn        thresh = i# find otsu's threshold value with OpenCV functionret, otsu = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)print(thresh)print(ret)