[OpenCV] cv2.threshold二值化函数使用方法总结

本是古典何须时尚 2022-12-30 15:53 196阅读 0赞

# 引言 #

OpenCV中的阈值处理包括三种：

1.  简单阈值处理
2.  自适应阈值处理
3.  otsu阈值处理

# 简单阈值 #

选取全局阈值，将整幅图像分成二值图像。如果像素值大于阈值，则为其分配之歌值（可以是白色），否则为其分配另一个值（可以是黑色）。使用的函数是cv2.threshold：

cv2.threshold(img, thresh, maxVal, cv2.xxx)

第一个参数是源图像，应该是灰度图；  
第二个参数是对图像进行分类的阈值；  
第三个参数是最大值，表示如果像素值大于（有时小于）阈值则要给出的值；  
第四个参数决定给出不同类型的阈值。包括：

- cv2.THRESH_BINARY
    - cv2.THRESH_BINARY_INV
    - cv2.THRESH_TRUNC
    - cv2.THRESH_TOZERO
    - cv2.THRESH_TOZERO_INV

输出有两个，第一个是`retval`，第二个是得到的阈值图像。  
示例：

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',vmin=0,vmax=255)
        plt.title(titles[i])
        plt.xticks([]),plt.yticks([])
    plt.show()

![在这里插入图片描述][20201226213157813.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDY4MjI5_size_16_color_FFFFFF_t_70]

# 自适应阈值 #

简单阈值是全局的，对于在不同区域具有不同照明条件的图像可能不太适用，此时可以使用自适应阈值处理。算法计算图像的局部阈值，在同一区域的不同区域获得不同的阈值，并为具有不同照明的图像提供了更好的结果。  
它有三个特殊输入参数和一个输出参数。  
自适应方法 - 决定如何计算阈值。

`cv2.ADAPTIVE_THRESH_MEAN_C`：阈值是邻域的**平均值**。  
`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`：阈值是邻域值的**加权和**，其中权重是高斯窗口。  
`Block Size` 决定邻域的大小。  
`C` 从计算的平均值或加权平均值中减去常数。

*  示例：

import cv2
    import numpy as np
    from matplotlib import pyplot as plt
    
    img = cv2.imread('dave.jpg',0)
    img = cv2.medianBlur(img,5)
    
    ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    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', 'Global Thresholding (v = 127)',
                'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
    images = [img, th1, th2, th3]
    
    for i in xrange(4):
        plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
        plt.title(titles[i])
        plt.xticks([]),plt.yticks([])
    plt.show()

![在这里插入图片描述][20210104172915894.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDY4MjI5_size_16_color_FFFFFF_t_70]

# Otsu’s 二值化 #

在简单阈值中第二个参数是`retVal`，当使用otsu’s二值化时会被使用。  
otsu二值化会根据双峰图像的图像直方图自动计算阈值，对于非双峰图像，二值化不准确。  
使用时要传递一个额外的标志`cv2.THRESH_OTSU`。对于阈值只要传递零。  
然后算法找到最佳阈值并返回第二个输出`retVal`。如果没有使用Otsu阈值，则返回值和使用的阈值相同。  
示例：

import cv2 as cv
    import numpy as np
    from matplotlib import pyplot as plt
    img = cv.imread('noisy2.png',0)
    # global thresholding
    ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
    # Otsu's thresholding
    ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
    # Otsu's thresholding after Gaussian filtering
    blur = cv.GaussianBlur(img,(5,5),0)
    ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
    # plot all the images and their histograms
    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()

![在这里插入图片描述][20210104194058117.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDY4MjI5_size_16_color_FFFFFF_t_70]  
输入图像是嘈杂的图像。在第一种情况下全局阈值应用为值127；在第二种情况下直接应用了Otsu的阈值；在第三种情况下使用5x5高斯核过滤图像以消除噪声，然后应用Otsu阈值处理。

> Reference:  
> [https://docs.opencv.org/master/d7/d4d/tutorial\_py\_thresholding.html][https_docs.opencv.org_master_d7_d4d_tutorial_py_thresholding.html]

--------------------

A u t h o r : C h i e r Author:Chier Author:Chier

[20201226213157813.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDY4MjI5_size_16_color_FFFFFF_t_70]: /images/20221120/fff8ccebdeba416caa6356f9014ad88d.png
[20210104172915894.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDY4MjI5_size_16_color_FFFFFF_t_70]: /images/20221120/ac70f5f0342e49c98d7bddd70cbff617.png
[20210104194058117.png_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM4MDY4MjI5_size_16_color_FFFFFF_t_70]: /images/20221120/ca6ae8e2eb9b46ca817fa83257b8fa19.png
[https_docs.opencv.org_master_d7_d4d_tutorial_py_thresholding.html]: https://docs.opencv.org/master/d7/d4d/tutorial_py_thresholding.html