Python下opencv使用筆記（四）（映像的閾值處理）

標籤：opencv   python   閾值   影像處理   

• 映像的閾值處理一般使得映像的像素值更單一、映像更簡單。閾值可以分為全域性質的閾值，也可以分為局部性質的閾值，可以是單閾值的也可以是多閾值的。當然閾值越多是越複雜的。下面將介紹opencv下的三種閾值方法。

（一）簡單閾值

簡單閾值當然是最簡單，選取一個全域閾值，然後就把整幅映像分成了非黑即白的二值映像了。函數為cv2.threshold()
這個函數有四個參數，第一個原映像，第二個進行分類的閾值，第三個是高於（低於）閾值時賦予的新值，第四個是一個方法選擇參數，常用的有：
? cv2.THRESH_BINARY（黑白二值）
? cv2.THRESH_BINARY_INV（黑白二值反轉）
? cv2.THRESH_TRUNC （得到的映像為多像素值）
? cv2.THRESH_TOZERO
? cv2.THRESH_TOZERO_INV
該函數有兩個傳回值，第一個retVal（得到的閾值值（在後面一個方法中會用到）），第二個就是閾值化後的映像。
一個執行個體如下：

import cv2import matplotlib.pyplot as pltimg = cv2.imread(‘flower.jpg‘,0) #直接讀為灰階映像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 = [‘img‘,‘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()

可以看到這裡把閾值設定成了127，對於BINARY方法，當映像中的灰階值大於127的重設像素值為255.

（二）自適應閾值：

前面看到簡單閾值是一種全域性的閾值，只需要規定一個閾值值，整個映像都和這個閾值比較。而自適應閾值可以看成一種局部性的閾值，通過規定一個地區大小，比較這個點與地區大小裡面像素點的平均值（或者其他特徵）的大小關係確定這個像素點是屬於黑或者白（如果是二值情況）。使用的函數為：cv2.adaptiveThreshold（）
該函數需要填6個參數：

• 第一個原始映像
• 第二個像素值上限
• 第三個自適應方法Adaptive Method:
  — cv2.ADAPTIVE_THRESH_MEAN_C ：領域內均值
  —cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領域內像素點加權和，權 重為一個高斯視窗
• 第四個值的賦值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
• 第五個Block size:規定領域大小（一個正方形的領域）
• 第六個常數C，閾值等於均值或者加權值減去這個常數（為0相當於閾值 就是求得領域內均值或者加權值）
  這種方法理論上得到的效果更好，相當於在動態自適應的調整屬於自己像素點的閾值，而不是整幅映像都用一個閾值。

一個執行個體如下：

mport cv2import matplotlib.pyplot as pltimg = cv2.imread(‘flower.jpg‘,0) #直接讀為灰階映像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) #分行符號號 \th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2) #分行符號號 \images = [img,th1,th2,th3]plt.figure()for i in xrange(4):    plt.subplot(2,2,i+1),plt.imshow(images[i],‘gray‘)plt.show()

可以看到上述視窗大小使用的為11，當視窗越小的時候，得到的映像越細。想想一下，如果把視窗設定足夠大以後（不能超過映像大小），那麼得到的結果可能就和第二幅映像的相同了。

（三）Otsu’s二值化

我們前面說到，cv2.threshold函數是有兩個傳回值的，前面一直用的第二個傳回值，也就是閾值處理後的映像，那麼第一個傳回值（得到映像的閾值）將會在這裡用到。
前面對於閾值的處理上，我們選擇的閾值都是127，那麼實際情況下，怎麼去選擇這個127呢？有的映像可能閾值不是127得到的效果更好。那麼這裡我們需要演算法自己去尋找到一個閾值，而Otsu’s就可以自己找到一個認為最好的閾值。並且Otsu’s非常適合於映像灰階長條圖具有雙峰的情況，他會在雙峰之間找到一個值作為閾值，對於非雙峰映像，可能並不是很好用。那麼經過Otsu’s得到的那個閾值就是函數cv2.threshold的第一個參數了。因為Otsu’s方法會產生一個閾值，那麼函數cv2.threshold的的第二個參數（設定閾值）就是0了，並且在cv2.threshold的方法參數中還得加上語句cv2.THRESH_OTSU。那麼什麼是雙峰映像（只能是灰階映像才有），就是映像的灰階統計圖中可以明顯看出只有兩個波峰，比如下面一個圖的灰階長條圖就可以是雙峰圖：

好了現在對這個圖進行Otsu’s閾值處理就非常的好，通過函數cv2.threshold會自動找到一個介於兩波峰之間的閾值。一個執行個體如下：

import cv2import matplotlib.pyplot as pltimg = cv2.imread(‘finger.jpg‘,0) #直接讀為灰階映像#簡單濾波ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)#Otsu 濾波ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)print ret2plt.figure()plt.subplot(221),plt.imshow(img,‘gray‘)plt.subplot(222),plt.hist(img.ravel(),256)#.ravel方法將矩陣轉化為一維plt.subplot(223),plt.imshow(th1,‘gray‘)plt.subplot(224),plt.imshow(th2,‘gray‘)

print ret2 得到的結果為122。可以看出似乎兩個結果並沒有很明顯差別（素材也不太好弄~_~!），主要是兩個閾值（127與122）太相近了，如果這兩個隔得很遠那麼會很明顯的。

著作權聲明：本文為博主原創文章，未經博主允許不得轉載。

Python下opencv使用筆記（四）（映像的閾值處理）