文章目录

1.简单阈值：
2、自适应阈值
3.Otsu's二值化

图像的阈值化就是利用图像像素点分布规律，设定阈值进行像素点分割，进而得到图像的二值图像。图像阈值化操作有多种方法，常用方法有经典的OTSU、固定阈值、自适应阈值、双阈值及半阈值化操作。这里对各种阈值化操作进行一个总结。

1.简单阈值：

当像素高于阈值时，我们给这个像素赋予新值，（可能白色）否则我们给其赋予另外一个新值（可能黑色）
使用到的函数：cv2.threshold(原图像(原图像是灰度图)，(用来对像素值进行分类的阈值)，(当像素值高于阈值时，应该赋予的新值),openCV中提供多种不同阈值的方法))
cv2.threshhold参数四，这些方法包括：ret, dst = cv2.threshold(src, thresh, maxval, type)
- src：输入图，只能输入单通道图像，通常来说为灰度图
- dst：输出图
- thresh：阈值
- maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
- type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
  - cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0
  - cv2.THRESH_BINARY_INV THRESH_BINARY的反转
  - cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
  - cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
  - cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转
这个函数值有两个返回值，一是retVal(阈值) 二个是阈值化之后的结果图像


import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
#关于subplot的用法：
#subplot（m,n,p）或者subplot（mnp）此函数最常用：subplot是将多个图画到一个平面上的工具。
'''
其中，m表示是图排成m行，n表示图排成n列，也就是整个figure中有n个图是排成一行的，一共m行，如果第一个数字是2就是表示2行图。
p是指你现在要把曲线画到figure中哪个图上，最后一个如果是1表示是从左到右第一个位置。
'''
for i in range(6):plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])
plt.show()

2、自适应阈值

2.自适应阈值
前面的简单阈值是全局的，而自适应阈值是局部的。
我们需要使用三个参数来完成自适应阈值的用法：
Adaptive Methond:指定计算阈值的方法

cv2.ADPTIVE_THRESH_MEAN_C:阈值取自相邻区域的平均值
cv2.ADPTIVE_THRESH_GAUSSIAN_C:阈值取相邻区域的加权和，权重为一个高斯窗口

Block Size:领域的大小（用来计算阈值区域的大小）
C:这就是一个常数，阈值就等于平均值或加权平均值减去这个常数

img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img = cv2.medianBlur(img_gray, 5)#中值滤波
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#简单阈值
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
titles = ['original image', 'globel thresholding', 'adaptive mean thresholding', 'adaptive gaussian thresholding']
images = [img, th1, th2, th3]
for i in range(4):plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

3.Otsu’s二值化

对于全局图，我们怎么设置一个恰倒好处的阈值呢？只有通过不断的尝试；但是对于双峰图，我们可以使用Otsu’s二值化搞定
Otsu’s二值化：对一副双峰图像自动根据其直方图来计算一个阈值
函数:函数是,cv2.threshold(),需要多传入一个参数cv2.THRESH_OTSU,这个时候要把阈值设为0，算法会找到最优阈值，这个最优阈值的返回值就是retVal，加入不使用二值化，返回的值与设定的阈值一致

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('cat.jpg', 0)
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#设置127为全局阈值
ret, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#使用Otsu二值化，即局部阈值
blur = cv2.GaussianBlur(img, (5, 5), 0)#阈值一定要设置为0，
ret, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#线使用一个高斯核除去噪音，在进行二值化
images = [img, 0, th1,img, 0, th2,blur, 0, th3]
titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding(v=127)','Origianl Noisy Image', 'Histogram', "Otsu's Thresholding",'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]for i in range(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()
cv2.waitKey(0)
cv2.destroyAllWindows()

opencv-图像阈值相关推荐

opencv 图像阈值分割图像
最简单的图像分割的方法. 应用举例:从一副图像中利用阈值分割出我们需要的物体部分(当然这里的物体可以是一部分或者整体).这样的图像分割方法是基于图像中物体与背景之间的灰度差异,而且此分割属于像素级的分 ...
OpenCV图像阈值
目标在本教程中,您将学习简单的阈值,自适应的阈值,Otsu的阈值等等. 您将学习以下功能:cv2.threshold, cv2.adaptiveThreshold等简单阈值在这里,事情是直截了当 ...
python opencv图像阈值处理
######################################################### 学习函数 cv2.threshold, cv2.adaptiveThreshold等 ...
OpenCV中的图像阈值处理算法
简介: 本文讨论了如何通过图像阈值算法来对图像中特点对接进行隔离. 演示了几种不同的阈值分割(全局阈值分割)算法的结果.对于最简单的阈值算法,通过改变其中的阈值可以获得不同的分割效果. 关键词: 阈 ...
OpenCV（十四）图像阈值
目录一.基础理论 1.二进制阈值化 2.反二进制阈值化 3.截断阈值化 4.阈值化为0 5.反阈值化为0 函数代码效果参考答案一.基础理论在二维数字图像中,其每个像素点对应了不同的像素值, ...
【opencv】(2) 图像处理：边界填充、图像融合、图像阈值、数值计算
主要内容有:边界填充 cv2.copyMakeBorder(),数值计算 cv2.add(),改变尺寸 cv2.resize(),图像融合 cv2.addWeighted(),图像阈值 cv2.thr ...
c++ opencv编程实现暗通道图像去雾算法_OpenCV图像处理专栏十五 |一种基于亮度均衡的图像阈值分割技术...
前言对于光照不均匀的图像,用通常的图像分割方法不能取得满意的效果.为了解决这个问题,论文<一种基于亮度均衡的图像阈值分割技术>提出了一种实用而简便的图像分割方法.该方法针对图像中不同亮度 ...
Python+OpenCV图像处理（五）——图像阈值和二值化
系列文章 Python+OpenCV图像处理(一)--OpenCV框架与图像插值算法 Python+OpenCV图像处理(二)--几何变换 Python+OpenCV图像处理(三)--彩色空间互换 P ...
OpenCV中的图像处理 —— 图像阈值+图像平滑+形态转换
OpenCV中的图像处理 -- 图像阈值+图像平滑+形态转换目录 OpenCV中的图像处理 -- 图像阈值+图像平滑+形态转换 1. 图像阈值 1.1 简单阈值 1.2 自适应阈值 1.3 Otsu ...
OpenCV图像处理(十二)---图像阈值化
如果两个热力学系统中的每一个都与第三个热力学系统处于热平衡(温度相同),则它们彼此也必定处于热平衡.这一结论称做"热力学第零定律".又称热平衡定律,是热力学的四条基本定律之一,是一 ...

opencv-图像阈值

文章目录

1.简单阈值：

2、自适应阈值

3.Otsu’s二值化

opencv-图像阈值相关推荐

最新文章

热门文章