目标

在本教程中，您将学习简单阈值，自适应阈值和Otsu阈值。 你将学习函数cv.threshold和cv.adaptiveThreshold。 简单阈值 在这里，问题直截了当。对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数cv.threshold用于应用阈值。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了不同类型的阈值，这由函数的第四个参数给出。通过使用cv.THRESH_BINARY类型。所有简单的阈值类型为： cv.THRESH_BINARY cv.THRESH_BINARY_INV cv.THRESH_TRUNC cv.THRESH_TOZERO cv.THRESH_TOZERO_INV 请通过类型的文档来观察区别。 该方法返回两个输出。第一个是使用的阈值，第二个输出是阈值后的图像。 此代码比较了不同的简单阈值类型：

import cv2 as cv import numpy as np from matplotlib import pyplot as plt img = cv.imread('gradient.png',0) ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY) ret,thresh2 = cv.threshold(img,127,255,cv.THRESH_BINARY_INV) ret,thresh3 = cv.threshold(img,127,255,cv.THRESH_TRUNC) ret,thresh4 = cv.threshold(img,127,255,cv.THRESH_TOZERO) ret,thresh5 = cv.threshold(img,127,255,cv.THRESH_TOZERO_INV) titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV'] images = [img, thresh1, thresh2, thresh3, thresh4, thresh5] for i in xrange(6): plt.subplot(2,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()

 
注意
为了绘制多个图像，我们使用plt.subplot()函数。请查看matplotlib文档以获取更多详细信息。
该代码产生以下结果：
![](https://s4.51cto测试数据/images/blog/202101/06/083145a1ca75f4da3b7cb9b984379f4a.png)
**自适应阈值**
在上一节中，我们使用一个全局值作为阈值。但这可能并非在所有情况下都很好，例如，如果图像在不同区域具有不同的光照条件。在这种情况下，自适应阈值阈值化可以提供帮助。在此，算法基于像素周围的小区域确定像素的阈值。因此，对于同一图像的不同区域，我们获得了不同的阈值，这为光照度变化的图像提供了更好的结果。
除上述参数外，方法cv.adaptiveThreshold还包含三个输入参数：
该adaptiveMethod决定阈值是如何计算的：
cv.ADAPTIVE_THRESH_MEAN_C::阈值是邻近区域的平均值减去常数C。
cv.ADAPTIVE_THRESH_GAUSSIAN_C:阈值是邻域值的高斯加权总和减去常数C。
该BLOCKSIZE确定附近区域的大小，C是从邻域像素的平均或加权总和中减去的一个常数。
下面的代码比较了光照变化的图像的全局阈值和自适应阈值：
结果：
![](https://s4.51cto测试数据/images/blog/202101/06/72f7c63cb5e3db62bd6288e5b6aee95d.png)
**Otsu的二值化**
在全局阈值化中，我们使用任意选择的值作为阈值。相反，Otsu的方法避免了必须选择一个值并自动确定它的情况。
考虑仅具有两个不同图像值的图像（双峰图像），其中直方图将仅包含两个峰。一个好的阈值应该在这两个值的中间。类似地，Otsu的方法从图像直方图中确定最佳全局阈值。
为此，使用了cv.threshold作为附加标志传递。阈值可以任意选择。然后，算法找到最佳阈值，该阈值作为第一输出返回。
查看以下示例。输入图像为噪点图像。在第一种情况下，采用值为127的全局阈值。在第二种情况下，直接采用Otsu阈值法。在第三种情况下，首先使用5x5高斯核对图像进行滤波以去除噪声，然后应用Otsu阈值处理。了解噪声滤波如何改善结果。 

import cv2 as cv import numpy as np from matplotlib import pyplot as plt img = cv.imread('noisy2.png',0)

全局阈值

ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

Otsu阈值

ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

高斯滤波后再采用Otsu阈值

blur = cv.GaussianBlur(img,(5,5),0) ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

绘制所有图像及其直方图

images = [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 xrange(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()

 
结果：
![](https://s4.51cto测试数据/images/blog/202101/06/0fcbc3fd3e3ecf29a83e294d6cdcd89e.png)
**Otsu的二值化如何实现？**
本节演示了Otsu二值化的Python实现，以展示其实际工作方式。如果您不感兴趣，可以跳过此步骤。
由于我们正在处理双峰图像，因此Otsu的算法尝试找到一个阈值(t)，该阈值将由关系式给出的加权类内方差最小化：
![](https://s4.51cto测试数据/images/blog/202101/06/5e872233f95654dd0e1b98451d952909.png)

实际上，它找到位于两个峰值之间的t值，以使两个类别的差异最小。它可以简单地在Python中实现，如下所示：
 

img = cv.imread('noisy2.png',0) blur = cv.GaussianBlur(img,(5,5),0)

寻找归一化直方图和对应的累积分布函数

hist = cv.calcHist([blur],[0],None,[256],[0,256]) hist_norm = hist.ravel()/hist.max() Q = hist_norm.cumsum() bins = np.arange(256) fn_min = np.inf thresh = -1 for i in xrange(1,256): p1,p2 = np.hsplit(hist_norm,[i]) # 概率 q1,q2 = Q[i],Q[255]-Q[i] # 对类求和 b1,b2 = np.hsplit(bins,[i]) # 权重

寻找均值和方差

 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
# 计算最小化函数
fn = v1*q1 + v2*q2
if fn < fn_min:
    fn_min = fn
    thresh = i 

使用OpenCV函数找到otsu的阈值

ret, otsu = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU) print( "{} {}".format(thresh,ret) )

 

**其他资源**
1.Digital Image Processing, Rafael C. Gonzalez
**练习题**
1.Otsu的二值化有一些优化。您可以搜索并实现它。 

查看更多关于OpenCV系列之图像阈值 | 十五的详细内容...