opencv实现阈值分割

文章目录

基础函数
直方图阈值
- 实现
- threshold 函数使用
三角法阈值
- 实现
迭代法阈值
- 算法步骤
- Python语法补充
- 实现
大津法
- 理论
- cv实现
- 底层复现
自适应阈值
- 理论
- 具体操作步骤
- 优化
- CV实现
- 底层复现

基础函数

在此列出，后面将直接使用，不再赘述

导入库

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

展示函数

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()

直方图阈值

算法描述：根据图像灰度直方图，人工寻找阈值
算法特点：适用双峰图像

实现

导入图片

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

画出直方图

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 函数使用

三角法阈值

论文：AUTOMATIC MEASUREMENT OF SISTER CHROMATID EXCHANGE FREQUENCY

算法思想：几何法，适用单峰图像

距离最远的点，即为分割点

实现

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])

三角法自动寻找阈值，第二个参数随便写就行

迭代法阈值

算法步骤

选取初始分割阈值，通常可选图像灰度平均值TTT
根据阈值TTT将图像像素分割为背景和前景，分别求出两者的平均灰度T0和T1T_0和T_1T0和T1
计算新的阈值T′=T0+T12T'={T_0+T_1 \over 2}T′=2T0+T1
若T==T′T==T'T==T′，则迭代结束，TTT即为最终阈值。否则令T=T′T=T'T=T′，转第（2）步。

前景为>T>T>T的部分，背景为<T<T<T的部分

Python语法补充

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

a[a <= 5]

a[a <= 5].mean()

实现

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:    // 可适当放宽条件， abs(T-t) < 1breakT = t
T = int(T) // 浮点数没有用print(f"Best Threshold = {T}")

Best Threshold = 120

大津法

理论

算法思想：最大类间方差
对于给定阈值TTT，可以将图像分为目标和背景。其中背景点数占图像比例为p0p_0p0，平均灰度值为m0m_0m0。而且标定数占图像比例为p1p_1p1，平均灰度值为m1m_1m1，其中满足
p0+p1=1p_0+p_1=1p0+p1=1
整幅图像的平均灰度值为常数，跟阈值无关，且为
mˉ=p0m0+p1m1\bar m = p_0m_0+p_1m_1mˉ=p0m0+p1m1
类间方差为
σ2=p0(m0−mˉ)2+p1(m1−mˉ)2\sigma^2=p_0(m_0-\bar m)^2+p_1(m_1-\bar m)^2σ2=p0(m0−mˉ)2+p1(m1−mˉ)2
代入p0+p1=1和mˉp_0+p_1=1和\bar mp0+p1=1和mˉ可简化为
σ2=p0p1(m0−m1)2\sigma^2=p_0p_1(m_0-m_1)^2σ2=p0p1(m0−m1)2
遍历灰度值，找出能使σ2\sigma^2σ2最大的值

cv实现

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

底层复现

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

自适应阈值

理论

算法思想：局部二值化

全局二值化容易受阴影影响，所以可以局部二值化。自适应阈值分割的本质就是局部二值化。

具体操作步骤

对某个像素值，原来为SSS，取其周围的n×nn \times nn×n的区域，求区域均值或高斯加权值，记为T；
对8位图像，如果S>TS>TS>T，则该像素点二值化为255，否则为0.

优化

在实际操作中，通过卷积操作，即均值模糊或高斯模糊，实现求区域均值或高斯加权值；
上面步骤中，增加超参数CCC，CCC可以为任何实数，当S>T−CS>T-CS>T−C时，把原像素二值化为255.
也可以设置超参数 α∈[0,1]\alpha \in [0,1]α∈[0,1]，当S>(1−α)TS>(1-\alpha)TS>(1−α)T时把原像素点二值化为255，通常取α=0.15\alpha=0.15α=0.15。

注：邻域大小一般要大于目标大小，但也不能太大，否则效果不好。

CV实现

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

底层复现

一. 通过超参数C实现

img = cv.imrad('pic/page', 0)C = 0
winSize = 21   // 和一个字体差不多大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. 通过超参数α\alphaα实现

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)

对于参数不是很敏感