圖像的閾值處理

? ? ? 一幅圖像包括目標物體、背景還有噪聲，要想從多值的數字圖像中直接提取出目標物體，常用的方法就是設定一個閾值T，用T將圖像的數據分成兩部分：大于T的像素群和小于T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化（Binarization）。

? ? ? ?閾值分割法的特點是:適用于目標與背景灰度有較強對比的情況，重要的是背景或物體的灰度比較單一，而且總可以得到封閉且連通區域的邊界。

（一）簡單閾值

選取一個全局閾值，然后就把整幅圖像分成非黑即白的二值圖像。

函數為cv2.threshold( )

這個函數有四個參數，第一個是原圖像矩陣，第二個是進行分類的閾值，第三個是高于（低于）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（黑白二值翻轉）
• cv2.THRESH_TRUNC（得到額圖像為多像素值）
• cv2.THRESH_TOZERO（當像素高于閾值時像素設置為自己提供的像素值，低于閾值時不作處理）
• cv2.THRESH_TOZERO_INV（當像素低于閾值時設置為自己提供的像素值，高于閾值時不作處理）

這個函數返回兩個值，第一個值為閾值，第二個就是閾值處理后的圖像矩陣。

img = cv2.imread('4.jpg', 0) ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # binary （黑白二值） ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) # （黑白二值反轉） ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC) # 得到的圖像為多像素值 ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO) # 高于閾值時像素設置為255，低于閾值時不作處理 ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV) # 低于閾值時設置為255，高于閾值時不作處理print(ret)cv2.imshow('thresh1', thresh1) cv2.imshow('thresh2', thresh2) cv2.imshow('thresh3', thresh3) cv2.imshow('thresh4', thresh4) cv2.imshow('thresh5', thresh5) cv2.imshow('grey-map', img) cv2.waitKey(0) cv2.destroyAllWindows()

（二）自適應閾值

一中的簡單閾值是一種全局性的閾值，只需要設定一個閾值，整個圖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，通過設定一個區域大小，比較這個點與區域大小里面像素點 的平均值（或者其他特征）的大小關系確定這個像素點的情況。使用的函數為：

# 第一個參數為原始圖像矩陣，第二個參數為像素值上限，第三個是自適應方法（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，權重為一個高斯窗口
# 第四個值的賦值方法：只有cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV
# 第五個Block size：設定領域大小（一個正方形的領域）
# 第六個參數C，閾值等于均值或者加權值減去這個常數（為0相當于閾值，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，相當于在動態自適應的調整屬于自己像素點的閾值，而不是整幅圖都用一個閾值

img = cv2.imread('4.jpg', 0) ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 第一個參數為原始圖像矩陣，第二個參數為像素值上限，第三個是自適應方法（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，權重為一個高斯窗口 # 第四個值的賦值方法：只有cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV # 第五個Block size：設定領域大小（一個正方形的領域） # 第六個參數C，閾值等于均值或者加權值減去這個常數（為0相當于閾值，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，相當于在動態自適應的調整屬于自己像素點的閾值，而不是整幅圖都用一個閾值 th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 2) th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) th4 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) cv2.imshow('img', img) cv2.imshow('th1', th1) cv2.imshow('th2', th2) cv2.imshow('th3', th3) cv2.imshow('th4', th4) cv2.waitKey(0) cv2.destroyAllWindows()

對于第五個參數的窗口越來越小時，發現得到的圖像越來越細了，可以設想，如果把窗口設置的足夠大的話（不能超過圖像大小），那么得到的結果可能就和第二幅圖像的相同了。

（三）Otsu's二值化

cv2.threshold( )函數有兩個返回值，一個是閾值，第二個是處理后的圖像矩陣。

前面對于閾值的設定上，我們選擇的閾值都是127，在實際情況中，有的圖像閾值不是127得到的圖像效果更好。那么這里就需要算法自己去尋找一個閾值，而Otsu's就可以自己找到一個認為最好的閾值。并且Otsu's非常適合于圖像灰度直方圖(只有灰度圖像才有)具有雙峰的情況。他會在雙峰之間找到一個值作為閾值，對于非雙峰圖像，可能并不是很好用。那么經過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，那么函數cv2.threshold( )的第二個參數（設定閾值）就是0了，并且在cv2.threshold的方法參數中還得加上語句cv2.THRESH_OTSU.

在下列這些程序和圖片中大家會有鮮明的體會：

img = cv2.imread('2.jpg', 0) ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 簡單濾波 ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) # Otsu 濾波 print(ret2) cv2.imshow('img', img) cv2.imshow('th1', th1) cv2.imshow('th2', th2) # 用于解決matplotlib中顯示圖像的中文亂碼問題 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False plt.hist(img.ravel(), 256) plt.title('灰度直方圖') plt.show() cv2.waitKey(0) cv2.destroyAllWindows()

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python+OpenCV图像处理（五）图像的阈值分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。