opencv_python阈值处理

看了好多博客，最终发现得好好研究一个人的博客并去做实验，才能达到最好的学习效果。

https://blog.youkuaiyun.com/on2way/article/details/46812121

参考其博客，并发现一个文档网址：

https://docs.opencv.org/3.2.0/d7/d4d/tutorial_py_thresholding.html

是不错的学习资料

本片博客主要使用python_opencv尝试了三种阈值处理方法，现总结如下，并把自己尝试的代码附上。

 图像的阈值处理（python下opencv使用）

1.简单阈值

简单阈值最为简单，选取一个全局阈值，然后把整幅图像分成非黑即白的二值图像。函数为

cv.threshold()，该函数有四个参数，第一个为原图像，第二个进行分类的阈值，第三个是高于（低于）阈值时所赋予的新值，第四个是一个方法选择参数，常用方法选择参数有：

• cv2.THRESH_BINARY（黑白二值） 高于阈值的设置为新值，低于阈值的为0
• cv2.THRESH_BINARY_INV（黑白二值反转） 与上一个反过来
• cv2.THRESH_TRUNC （得到的图像为多像素值） 高于阈值的全为阈值，低于阈值的不变
• cv2.THRESH_TOZERO 高于阈值的不变，低于阈值的全为0
• cv2.THRESH_TOZERO_INV 与上一个反过来

 

• 相关代码：

import cv2

import numpy as np

from matplotlib import pyplot as plt



img = cv2.imread("D:\\software_my_programming\\relate_to_irisrecog\\CASIA-Iris-Lamp\\001\\L\\S2001L01.jpg")

#读取图像，0为灰度图像，1为彩色图像

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 = ['img','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()

2.自适应阈值

自适应阈值看成是一个局部性的阈值，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）。使用函数为：cv2.adaptiveThreshold() (仅用于灰度图像)

该函数需要6个参数：

 

• 第一个原始图像
• 第二个像素值上限
• 第三个自适应方法Adaptive Method:
• — cv2.ADAPTIVE_THRESH_MEAN_C ：领域内均值
• —cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，权 重为一个高斯窗口
• 第四个值的赋值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
• 第五个Block size:规定领域大小（一个正方形的领域）
• 第六个常数C，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。

 

• 相关代码：

import cv2

import numpy as np

from matplotlib import pyplot as plt



img = cv2.imread("D:\\software_my_programming\

\\relate_to_irisrecog\\CASIA-Iris-Lamp\\001\\L\\S2001L01.jpg",0)

#读取图像，0为灰度图像，1为彩色图像

ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

thresh2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\

cv2.THRESH_BINARY,11,2)

thresh3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\

cv2.THRESH_BINARY,11,2)





titles = ['img','BINARY','ADAPTIVE_THRESH_MEAN_C','ADAPTIVE_THRESH_GAUSSIAN_C',]

images = [img,thresh1,thresh2,thresh3]



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()

3.Otsu’s二值化

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。

 

• 相关代码：

import cv2

import numpy as np

from matplotlib import pyplot as plt



img = cv2.imread("D:\\software_my_programming\

\\relate_to_irisrecog\\CASIA-Iris-Lamp\\001\\L\\S2001L01.jpg",0)

#读取图像，0为灰度图像，1为彩色图像

ret1,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

#简单滤波



ret2,thresh2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

#Ostu滤波



print(ret2)





plt.subplot(221),plt.imshow(img,'gray')

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

plt.subplot(223),plt.imshow(thresh1,'gray')

plt.subplot(224),plt.imshow(thresh2,'gray')

plt.show()