openCV中的影像處理 3 影像閾值

簡單閾值

cv2.threshold（）函式

th,res = cv2.threshold(img,thresh,maxVal,type)

img:原影像
thresh:閾值
maxVal:最大值，一般為255
type:
cv2.THRESH_BINARY：超過閾值的畫素設定為maxVal，不超過的設定為0
cv2.THRESH_BINARY_INV：不超過閾值的設定為maxVal，超過的設定為0
cv2.THRESH_TOZERO：低於閾值的設定為0
cv2.THRESH_TOZERO_INV：低於閾值的設定為maxVal
cv2.THRESH_TRUNC：超過閾值的設定為threshold
th：和thresh一樣
res：處理結果

import cv2
from matplotlib import pyplot as plt
img=cv2.imread('lhu.jpg',0)
ret,thresh1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

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()

自適應閾值

• Adaptive Method- 指定計算閾值的方法。
 – cv2.ADPTIVE_THRESH_MEAN_C：閾值取自相鄰區域的平 均值 
 – cv2.ADPTIVE_THRESH_GAUSSIAN_C：閾值取值相鄰區域 的加權和，權重為一個高斯視窗。
• Block Size - 鄰域大小（用來計算閾值的區域大小）。 
• C - 這就是是一個常數，閾值就等於的平均值或者加權平均值減去這個常數。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('lhu.jpg',0)
# 中值濾波
img = cv2.medianBlur(img,5)

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
#11 為 Block size, 2 為 C 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', 'Global Thresholding (v = 127)', '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()

Otsu’s 二值化

對一副雙峰影像自動根據其直方圖計算出一個閾值。

import cv2 
import numpy as np 
from matplotlib import pyplot as plt
img = cv2.imread('noisy2.png',0)
#第一種方法，我們設 127 為全域性閾值
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
#第二種方法，我們直接使用 Otsu 二值化。
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# （ 5,5 ）為高斯核的大小， 0 為標準差 
blur = cv2.GaussianBlur(img,(5,5),0) 
# 閾值一定要設為 0 ！
#第三種方法，我 們首先使用一個 5x5 的高斯核除去噪音，然後再使用 Otsu 二值化。
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
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"]
#這裡使用了pyplot中畫直方圖的方法， plt.hist,要注意的是它的引數是一維陣列
#所以這裡使用了（ numpy ） ravel方法，將多維陣列轉換成一維，也可以使用flatten方法 
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()