opencv 阈值处理(python)

阈值处理

        • 阈值处理
          • threshold函数
            • 二值化阈值处理(cv2.THRESH_BINARY)
            • 反二值化阈值处理(cv2.THRESH_BINARY_INV)
            • 截断阈值化处理(cv2.THRESH_TRUNC)
            • 超阈值零处理(cv2.THRESH_TOZERO_INV)
            • 低阈值零处理(cv2.THRESH_TOZERO)
          • 自适应阈值处理
          • Otsu处理

阈值处理

剔除图像内像素值高于一定值或者低于一定值的像素点。

cv2.threshold()和函数cv2.adaptiveThreshold(),用于实现阈值处理。

threshold函数
retval, dst = cv2.threshold( src, thresh, maxval, type ) 
  • retval代表返回的阈值。
  • dst代表阈值分割结果图像,与原始图像具有相同的大小和类型。
  • src代表要进行阈值分割的图像,可以是多通道的,8位或32位浮点型数值。
  • thresh代表要设定的阈值。
  • maxval代表当type参数为THRESH_BINARY或者THRESH_BINARY_INV类型时,需要设定的最大值。
  • type代表阈值分割的类型

opencv 阈值处理(python)_第1张图片

二值化阈值处理(cv2.THRESH_BINARY)

二值化阈值处理会将原始图像处理为仅有两个值的二值图像

image-20220422150825086

例子:

使用函数cv2.threshold()对数组进行二值化阈值处理:

import cv2 
import numpy as np 
img=np.random.randint(0,256, size=[4,5], dtype=np.uint8) 
t, rst=cv2.threshold(img,127,255, cv2.THRESH_BINARY) 
print("img=\n", img) 
print("t=", t) 
print("rst=\n", rst) 

使用函数cv2.threshold()对图像进行二值化阈值处理:

import cv2 
img=cv2.imread("lena.bmp") 
t, rst=cv2.threshold(img,127,255, cv2.THRESH_BINARY) 
cv2.imshow("img", img) 
cv2.imshow("rst", rst) 
cv2.waitKey() 
cv2.destroyAllWindows() 
反二值化阈值处理(cv2.THRESH_BINARY_INV)

image-20220422151012315

使用函数cv2.threshold()对图像进行反二值化阈值处理:

import cv2 
img=cv2.imread("lena.bmp") 
t, rst=cv2.threshold(img,127,255, cv2.THRESH_BINARY_INV) 
cv2.imshow("img", img) 
cv2.imshow("rst", rst) 
cv2.waitKey() 
cv2.destroyAllWindows() 
截断阈值化处理(cv2.THRESH_TRUNC)

image-20220422151108046

使用函数cv2.threshold()对图像进行截断阈值化处理:

import cv2 
img=cv2.imread("lena.bmp") 
t, rst=cv2.threshold(img,127,255, cv2.THRESH_TRUNC) 
cv2.imshow("img", img) 
cv2.imshow("rst", rst) 
cv2.waitKey() 
cv2.destroyAllWindows() 
超阈值零处理(cv2.THRESH_TOZERO_INV)

image-20220422151211495

使用函数cv2.threshold()对图像进行超阈值零处理:

import cv2 
img=cv2.imread("lena.bmp") 
t, rst=cv2.threshold(img,127,255, cv2.THRESH_TOZERO_INV) 
cv2.imshow("img", img) 
cv2.imshow("rst", rst) 
cv2.waitKey() 
cv2.destroyAllWindows() 
低阈值零处理(cv2.THRESH_TOZERO)

image-20220422151303562

使用函数cv2.threshold()对图像进行低阈值零处理

import cv2 
img=cv2.imread("lena.bmp") 
t, rst=cv2.threshold(img,127,255, cv2.THRESH_TOZERO) 
cv2.imshow("img", img) 
cv2.imshow("rst", rst) 
cv2.waitKey() 
cv2.destroyAllWindows() 
自适应阈值处理

图像的色彩是不均衡的,此时如果只使用一个阈值,就无法得到清晰有效的阈值分割结果图像。

有一种改进的阈值处理技术,其使用变化的阈值完成对图像的阈值处理,这种技术被称为自适应阈值处理。

在进行阈值处理时,自适应阈值处理的方式通过计算每个像素点周围临近区域的加权平均值获得阈值,并使用该阈值对当前像素点进行处理。与普通的阈值处理方法相比,自适应阈值处理能够更好地处理明暗差异较大的图像。

函数cv2.adaptiveThreshold()来实现自适应阈值处理

dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C ) 
  • dst代表自适应阈值处理结果。
  • src代表要进行处理的原始图像。需要注意的是,该图像必须是8位单通道的图像。
  • maxValue代表最大值。
  • adaptiveMethod代表自适应方法。
  • thresholdType代表阈值处理方式,该值必须是cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV中的一个。
  • blockSize代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸,通常为3、5、7等。
  • C是常量。

函数cv2.adaptiveThreshold()根据参数adaptiveMethod来确定自适应阈值的计算方法,函数包含cv2.ADAPTIVE_THRESH_MEAN_Ccv2.ADAPTIVE_THRESH_GAUSSIAN_C两种不同的方法。

这两种方法都是逐个像素地计算自适应阈值,自适应阈值等于每个像素由参数blockSize所指定邻域的加权平均值减去常量C。

两种不同的方法在计算邻域的加权平均值时所采用的方式不同:

  1. cv2.ADAPTIVE_THRESH_MEAN_C:邻域所有像素点的权重值是一致的。
  2. cv2.ADAPTIVE_THRESH_GAUSSIAN_C:与邻域各个像素点到中心点的距离有关,通过高斯方程得到各个点的权重值。

例子: 对一幅图像分别使用二值化阈值函数cv2.threshold()和自适应阈值函数cv2.adaptiveThreshold()进行处理

import cv2 
img=cv2.imread("computer.jpg",0) 
t1, thd=cv2.threshold(img,127,255, cv2.THRESH_BINARY) 
athdMEAN=cv2.adaptiveThreshold(img,255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,5,3) 
athdGAUS=cv2.adaptiveThreshold(img,255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,5,3) 
cv2.imshow("img", img) 
cv2.imshow("thd", thd) 
cv2.imshow("athdMEAN", athdMEAN) 
cv2.imshow("athdGAUS", athdGAUS) 
cv2.waitKey() 
cv2.destroyAllWindows() 
Otsu处理

在使用函数cv2.threshold()进行阈值处理时,需要自定义一个阈值,并以此阈值作为图像阈值处理的依据。通常情况下处理的图像都是色彩均衡的,这时直接将阈值设为127是比较合适的。

Otsu方法又叫最大类间方差法,是一种基于像素统计的方法,它通过统计灰度图像全局的像素分布情况,选择一个能最大化前景与背景类间方差的阈值从而将前景和背景分开。

该方法对于像素统计中双高峰的情况(对应于简单背景下单目标的分割场景)具有非常好的效果,但对于单峰和多峰也就是背景比例悬殊的情况,效果不好。

三角法阈值分割

算法特点:几何法,主要适用于单峰图像

在OpenCV中,通过在函数cv2.threshold()中对参数type的类型多传递一个参数"cv2.THRESH_OTSU",即可实现Otsu方式的阈值分割。

在使用Otsu方法时,要把阈值设为0。此时的函数cv2.threshold()会自动寻找最优阈值,并将该阈值返回。

函数cv2.threshold()采用Otsu方法进行阈值分割

t, otsu=cv2.threshold(img,0,255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) 

与普通阈值分割的不同之处在于:

  • 参数type增加了一个参数值"cv2.THRESH_OTSU"。
  • 设定的阈值为0。
  • 返回值t是Otsu方法计算得到并使用的最优阈值。

注意: 如果采用普通的阈值分割,返回的阈值就是设定的阈值。

例子: 分别对一幅图像进行普通的二值化阈值处理和Otsu阈值处理

import cv2 
img=cv2.imread("tiffany.bmp",0) 
t1, thd=cv2.threshold(img,127,255, cv2.THRESH_BINARY) 
t2, otsu=cv2.threshold(img,0,255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) 
cv2.imshow("img", img) 
cv2.imshow("thd", thd) 
cv2.imshow("otus", otsu) 
cv2.waitKey() 
cv2.destroyAllWindows() 

你可能感兴趣的:(opencv,python,opencv,图像处理,阈值处理)