文章目錄

• • • 基礎函數
    • 直方圖閾值
    • • 實現
      • threshold 函數使用
    • 三角法閾值
    • • 實現
    • 迭代法閾值
    • • 算法步驟
      • Python語法補充
      • 實現
    • 大津法
    • • 理論
      • cv實現
      • 底層復現
    • 自適應閾值
    • • 理論
      • 具體操作步驟
      • 優化
      • CV實現
      • 底層復現

基礎函數

在此列出，后面將直接使用，不再贅述

導入庫

import cv2 as cv import numpy as np import matplotlib.pyplot as plt

展示函數

def show(img):if img.ndim == 2:plt.imshow(img, cmap='gray', vmin=0, vmax=255)else:img = cv.cvtColor(img, cv.COLOR_BGR2RGB)plt.imshow(img)plt.show()

直方圖閾值

算法描述：根據圖像灰度直方圖，人工尋找閾值
算法特點：適用雙峰圖像

實現

導入圖片

img = cv.imread('pic/eagle.jpg', 0) show(img)

畫出直方圖

plt.hist(img.ravel(), 256, [0, 256]) plt.show()

plt.hist(img.flatten(), np.arange(-0.5, 256, 1), color='g') plt.show()

二值化

_, img_bin = cv.threshold(img, 125, 255, cv.THRESH_BINARY) show(img_bin)

threshold 函數使用

三角法閾值

論文：AUTOMATIC MEASUREMENT OF SISTER CHROMATID EXCHANGE FREQUENCY

算法思想：幾何法，適用單峰圖像

距離最遠的點，即為分割點

實現

img = cv.imread('pic/blossom', 0) show(img)

plt.hist(img.flattern(), np.arange(-0.5, 256, 1), color='g') plt.show()

th, img_ = cv.threshold(img, 0, 255, cv.THRESH_TRIANGLE) print(th) show(np.hstack([img, img_bin])

三角法自動尋找閾值，第二個參數隨便寫就行

迭代法閾值

算法步驟

選取初始分割閾值，通常可選圖像灰度平均值$T$

根據閾值$T$將圖像像素分割為背景和前景，分別求出兩者的平均灰度$T_0和T_1$

計算新的閾值$T^{\prime }=\frac{T_0+T_1}{2}$

若$T==T^{\prime }$，則迭代結束，$T$即為最終閾值。否則令$T=T^{\prime }$，轉第（2）步。

前景為$>T$的部分，背景為$<T$的部分

Python語法補充

a = np.random.randint(0, 10, (4, 4))

a[a <= 5]

a[a <= 5].mean()

實現

img = cv.imread('pic/eagle', 0)T = img.mean()while True:t0 = img[img < T].mean() // 背景平均灰度值t1 = img[img >= T].mean() // 前景平均灰度值t = (t0 + t1) / 2print(T, t)if T == t: // 可適當放寬條件， abs(T-t) < 1breakT = t T = int(T) // 浮點數沒有用print(f"Best Threshold = {T}")

Best Threshold = 120

大津法

理論

算法思想：最大類間方差
對于給定閾值$T$，可以將圖像分為目標和背景。其中背景點數占圖像比例為$p_0$，平均灰度值為$m_0$。而且標定數占圖像比例為$p_1$，平均灰度值為$m_1$，其中滿足
$$p_0+p_1=1$$
整幅圖像的平均灰度值為常數，跟閾值無關，且為
$$\bar{m}=p_0{m}_0+p_1{m}_1$$
類間方差為
$${\sigma }^2=p_0(m_0?\bar{m}{)}^2+p_1(m_1?\bar{m}{)}^2$$
代入$p_0+p_1=1和\bar{m}$可簡化為
$${\sigma }^2=p_0{p}_1(m_0?m_1{)}^2$$
遍歷灰度值，找出能使${\sigma }^2$最大的值

cv實現

img = cv.imread('pic/eagle.jpg', 0)th, img_bin = cv.threshod(img, -1, 255, cv.THRESH_OTSU) print(th) show(img_bin)

底層復現

img = cv.imread('pic/eagle', 0)Sigma = -1 T = 0for t in range(0, 256):bg = img[img <= t]obj = img[img > t]p0 = bg.size / img.sizep1 = obj.size / img.sizem0 = 0 if obj.size==0 else bg.mean()m1 = 0 if obj.size==0 else obj.mean()sigma = p0*p1*(m0-m1)**2if sigma > Sigma:Sigma = sigmaT = t

自適應閾值

理論

算法思想：局部二值化

全局二值化容易受陰影影響，所以可以局部二值化。自適應閾值分割的本質就是局部二值化。

具體操作步驟

對某個像素值，原來為$S$，取其周圍的$n\times n$的區域，求區域均值或高斯加權值，記為T；

對8位圖像，如果$S>T$，則該像素點二值化為255，否則為0.

優化

在實際操作中，通過卷積操作，即均值模糊或高斯模糊，實現求區域均值或高斯加權值；

上面步驟中，增加超參數$C$，$C$可以為任何實數，當$S>T?C$時，把原像素二值化為255.

也可以設置超參數 $\alpha \in [0,1]$，當$S>(1?\alpha )T$時把原像素點二值化為255，通常取$\alpha =0.15$。

注：鄰域大小一般要大于目標大小，但也不能太大，否則效果不好。

CV實現

img = cv.imread('pic/page', 0) show(img)

img_bin = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 21, 6) show(img_bin)

6 就是上面的C，21就是核大小

底層復現

一. 通過超參數C實現

img = cv.imrad('pic/page', 0)C = 0 winSize = 21 // 和一個字體差不多大img_blur = cv.blur(img, (winSize, winSize)) show(img > img_blur)

C = 6img_bin = np.uint8(img>img_blur.astype(np.int) - C) * 255show(img_bin)

二. 通過超參數$\alpha$實現

img = cv.imread('pic/page.jpg', 0)alpha = 0.15 winSize = 21img_blur = cv.GaussianBlur(img, (winSize, winSize), 5) img_bin = np.uint8(img > (1-alpha) * img_blur) * 255 show(img_bin)

對于參數不是很敏感

總結

以上是生活随笔為你收集整理的opencv实现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。