图像二值化,阈值处理(十)

图像二值化：基于图像的直方图来实现的，0白色 1黑色

一 二值化

　　定义：图像的二值化，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只有黑和白的视觉效果。

　　 一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。

二 阈值处理函数

　　Python-OpenCV中提供了阈值（threshold）函数

threshold(src, thresh, maxval, type, dst=None)

函数：第一个参数       src            指原图像，原图像应该是灰度图。

          第二个参数         x              指用来对像素值进行分类的阈值。

          第三个参数         y              指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值

          第四个参数     Methods     

 

method阈值类型一般分为五种： 

• cv2.THRESH_BINARY——大于阈值的部分像素值变为最大值，其他变为0 
• cv2.THRESH_BINARY_INV——大于阈值的部分变为0，其他部分变为最大值 
• cv2.THRESH_TRUNC——大于阈值的部分变为阈值，其余部分不变 
• cv2.THRESH_TOZERO——大于阈值的部分不变，其余部分变为0 
• cv2.THRESH_TOZERO_INV——大于阈值的部分变为0，其余部分不变

 

三 全局阈值实例

import cv2 as cv
import numpy as np

# 全局阈值
def threshold_image(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    cv.imshow("原来", gray)

    # 大律法,全局自适应阈值 参数0可改为任意数字但不起作用
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    print("yuzhi：%s" % ret)
    cv.imshow("OTSU", binary)

    # TRIANGLE法,，全局自适应阈值, 参数0可改为任意数字但不起作用，适用于单个波峰
    ret, binary = cv.threshold(gray, 0, 255,cv.THRESH_BINARY | cv.THRESH_TRIANGLE)
    print("yuzhi：%s" % ret)
    cv.imshow("TRIANGLE", binary)

    # 自定义阈值为150,大于150的是白色 小于的是黑色
    ret, binary = cv.threshold(gray, 150, 255, cv.THRESH_BINARY)
    print("yuzhi：%s" % ret)
    cv.imshow("define_yuzhi", binary)

    # 自定义阈值为150,大于150的是黑色 小于的是白色
    ret, binary = cv.threshold(gray, 150, 255, cv.THRESH_BINARY_INV)
    print("yuzhi：%s" % ret)
    cv.imshow("define_rev", binary)

    # 截断 大于150的是改为150  小于150的保留
    ret, binary = cv.threshold(gray, 150, 255, cv.THRESH_TRUNC)
    print("yuzhi：%s" % ret)
    cv.imshow("jieduan1", binary)

    # 截断 小于150的是改为150  大于150的保留
    ret, binary = cv.threshold(gray, 150, 255, cv.THRESH_TOZERO)
    print("yuzhi：%s" % ret)
    cv.imshow("jieduan2", binary)


src = cv.imread("yiner.jpg")
threshold_image(src)
cv.waitKey(0)
cv.destroyAllWindows()

函数threshold()的参数说明：

#大律法,全局自适应阈值 参数0可改为任意数字但不起作用   
 cv.THRESH_BINARY | cv.THRESH_OTSU 

 #TRIANGLE法,，全局自适应阈值, 参数0可改为任意数字但不起作用，适用于单个波峰
 cv.THRESH_BINARY | cv.THRESH_TRIANGLE

 # 自定义阈值为150,大于150的是白色 小于的是黑色
  cv.THRESH_BINARY

# 自定义阈值为150,大于150的是黑色 小于的是白色
  cv.THRESH_BINARY_INV 

# 截断 大于150的是改为150  小于150的保留
   cv.THRESH_TRUNC 

# 截断 小于150的是改为150  大于150的保留
   cv.THRESH_TOZERO 

对应的阈值

 

四 局部阈值处理

1 函数

adaptiveThreshold(  src, 
                    maxValue, 
                    adaptiveMethod, 
                    thresholdType, 
                    blockSize, 
                    C, 
                    dst=None)

2 参数解说.

• 第一个src:原始图像
• 第二个maxValue:像素值上限
• 第三个自适应方法adaptiveMethod:

　　　　— 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blockSize
  　　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）

　　这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，而不是整幅图像都用一个阈值。

3 演示代码

import cv2 as cv
import numpy as np

#局部阈值
def local_yuzhi(image):
    gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    cv.imshow('gray',gray)

    # ADAPTIVE_THRESH_MEAN_C 领域内均值
    binary1=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,25,10)
    cv.imshow('local1',binary1)

    # ADAPTIVE_THRESH_GAUSSIAN_C 领域内像素点加权和，权重为一个高斯窗口
    binary2=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,25,10)
    cv.imshow('local2',binary2)

src = cv.imread("ying.jpg")
local_yuzhi(src)
cv.waitKey(0)
cv.destroyAllWindows()

效果展示