（转）Python下OpenCV的使用 -- 二值化

图像的阈值处理一般使得图像的像素值更单一、图像更简单。阈值可以分为全局性质的阈值，也可以分为局部性质的阈值，可以是单阈值的也可以是多阈值的。当然阈值越多是越复杂的。下面将介绍opencv下的三种阈值方法：

简单阈值
自适应阈值
Otsu’s二值化

1. 图像二值化介绍

定义：图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化(Binarization)。

2. 简单阈值

简单阈值当然是最简单的，选取一个全局阈值，然后就把整幅图像分成了非黑即白的二值图像了。Python-OpenCV提供了阈值函数:

threshold(src, thresh, maxval, type, dst=None)

src: 指原图像，原图像应该是灰度图
thresh：用来对像素值进行分类的阈值
maxval: 指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
type: 指不同的阈值方法。

该函数有两个返回值，第一个retval(得到的阈值值（在后面一个方法中会用到))，第二个就是阈值化后的图像。

（注意：使用cv2.THRESH_OTSU、cv2.THRESH_TRIANGLE时,所对应的图像必须是灰度图像)

# -*- coding: utf-8 -*-

import numpy
import cv2
import matplotlib.pyplot



print(cv2.__version__)

# read image, support bmp,jpg,png,tiff format
img = cv2.imread("D:\\timg2.jpg",cv2.IMREAD_GRAYSCALE)

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_MASK)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_OTSU)  

ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh6 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

ret,thresh7 = cv2.threshold(img,127,255,cv2.THRESH_TRIANGLE)
ret,thresh8 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)


titles = ["IMG","BINARY","BINARY_INV","MASK","OTSU","TOZERO","TOZERO_INV","TRIANGLE","TRUNC"]
images = [img,thresh1,thresh2,thresh3,thresh4,thresh5,thresh6,thresh7,thresh8]
#titles = ["IMG","BINARY","BINARY_INV","MASK","TOZERO","TOZERO_INV","TRUNC"]
#images = [img,thresh1,thresh2,thresh3,thresh5,thresh6,thresh8]

for i in range(9):
    matplotlib.pyplot.subplot(3,3,i+1)
    matplotlib.pyplot.imshow(images[i],"gray")
    matplotlib.pyplot.title(titles[i])
    matplotlib.pyplot.xticks([])
    matplotlib.pyplot.yticks([])

matplotlib.pyplot.show()

python-opencv-threshold

可以看到这里把阈值设置成了127，对于BINARY方法，当图像中的灰度值大于127的重置像素值为255.

3. 自适应阈值

前面看到简单阈值是一种全局性的阈值，只需要规定一个阈值值，整个图像和这个阈值比较。而自适应阈值可以看成一种局部性的阈值，通过规定一个区域大小，比较这个点与区域大小里面像素点的平均值（或者其他特征）的大小关系确定这个像素点是属于黑或者白（如果是二值情况）。使用的函数为：

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

src: 指原图像，原图像应该是灰度图
maxValue: 指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
adaptiveMethod: 指CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C
thresholdType: 指取阈值类型，必须是CV_THRESH_BINARY 或者 CV_THRESH_BINARY_INV
blockSize: 指用来计算阈值的像素领域大小：3,5,7,…
C: 指与方法有关的参数。阈值等于均值或者加权值减去这个常数（为0相当于阈值就是求得领域内均值或者加权值）

这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，而不是整幅图像都用一个阈值。

# -*- coding: utf-8 -*-

import numpy
import cv2
import matplotlib.pyplot



print(cv2.__version__)

# read image, support bmp,jpg,png,tiff format
img = cv2.imread("D:\\timg2.jpg",cv2.IMREAD_GRAYSCALE)

ret, threshold1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
threshold2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,7,2)
threshold3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,7,2)

images = [img,threshold1,threshold2,threshold3]

matplotlib.pyplot.figure()
for i in range(4):
    matplotlib.pyplot.subplot(2,2,i+1)
    matplotlib.pyplot.imshow(images[i],"gray")


matplotlib.pyplot.show()

python-opencv-adaptive

可以看到上述窗口大小使用为11，当窗口越小的时候，得到的图像越细。想象一下，如果把窗口设置足够大以后（不能超过图像大小），那么得到的结果可能和第二幅图像相同了。

# -*- coding: utf-8 -*-


import cv2
import numpy 
import matplotlib.pyplot


print(cv2.__version__)


img = cv2.imread("D:\\timg2.jpg")
GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 中值滤波
GrayImage= cv2.medianBlur(GrayImage,3)
ret,th1 = cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)

#3 为Block size, 5为param1值
th2 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,5)
th3 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,5)

titles = ['Gray Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [GrayImage, th1, th2, th3]


for i in range(4):
    matplotlib.pyplot.subplot(2,2,i+1)
    matplotlib.pyplot.imshow(images[i],'gray')
    matplotlib.pyplot.title(titles[i])
    matplotlib.pyplot.xticks([])
    matplotlib.pyplot.yticks([])

matplotlib.pyplot.show()

python-opencv-adaptive2

4. Otsu’s二值化

我们前面说到，cv2.thrshold函数是有两个返回值的，前面一直用的第二个返回值，也就是阈值处理后的图像，那么第一个返回值(得到的图像的阈值）将会在这里用到。

前面对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值，而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值；对于非双峰图像，可能并不是很好用。

那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个参数了。因为Otsu’s方法会产生一个阈值，那么函数cv2.threshold的第二个参数(设置阈值）就是0了，并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU。那么什么是双峰图像（只能是灰度图像才有），就是图像的灰度统计图中可以明显看出只有两个波峰，比如下面一个图的灰度直方图就可以是双峰图：

opencv_shuangfeng

对这个图进行Otsu’s阈值处理就非常的好，通过函数cv2.threshold会自动找到一个介于两波峰之间的阈值。一个实例如下：

# -*- coding: utf-8 -*-


import cv2
import matplotlib.pyplot


print(cv2.__version__)

# read image, support bmp,jpg,png,tiff format
img = cv2.imread("D:\\timg2.png",cv2.IMREAD_GRAYSCALE)

# 简单滤波
ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
print(ret1)

# Otsu 滤波
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(ret2)

matplotlib.pyplot.figure()

matplotlib.pyplot.subplot(221)
matplotlib.pyplot.imshow(img,"gray")

matplotlib.pyplot.subplot(222)
matplotlib.pyplot.hist(img.ravel(), 256)  # .ravel方法将矩阵转化为一维

matplotlib.pyplot.subplot(223)
matplotlib.pyplot.imshow(th1,"gray")

matplotlib.pyplot.subplot(224)
matplotlib.pyplot.imshow(th2,"gray")


matplotlib.pyplot.show()

opencv-otcus2

实验证明，对于ret2返回的阈值小于160的情况，使用Otsu’s二值化可以达到较好的效果。

参看：

1) http://blog.csdn.net/jjddss/article/details/72841141

2) http://blog.csdn.net/what_lei/article/details/49159655

Ivanzz

发上等愿，结中等缘，享下等福；择高处立，寻平处住，向宽处行

（转）Python下OpenCV的使用 -- 二值化

1. 图像二值化介绍

2. 简单阈值

3. 自适应阈值

4. Otsu’s二值化