四、图像阈值分割（二值化）

落日映苍穹つ 2023-06-13 11:14 31阅读 0赞

**目录**

（一）简单阈值

（二）自适应阈值

（三）Otsu's二值化

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

**处理灰度图**

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 T，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）**。

阈值分割法的特点是:**适用于目标与背景灰度有较强对比的情况**，重要的是背景或物体的灰度比较单一，而且总可以得到封闭且连通区域的边界。

# （一）简单阈值 #

选取一个全局阈值，然后就把整幅图像**分成非黑即白的二值图像**。

cv2.threshold( )

这个函数有四个参数，**第一个是原图像矩阵，第二个是进行分类的阈值，第三个是高于（低于）阈值时赋予的新值，第四个是一个方法选择参数**，常用的有：

*  **cv2.THRESH\_BINARY**（黑白二值）
 *  **cv2.THRESH\_BINARY\_INV**（黑白二值翻转）
 *  **cv2.THRESH\_TRUNC**（得到额图像为多像素值）
 *  **cv2.THRESH\_TOZERO**（当像素高于阈值时像素设置为自己提供的像素值，低于阈值时不作处理）
 *  **cv2.THRESH\_TOZERO\_INV**（当像素低于阈值时设置为自己提供的像素值，高于阈值时不作处理）

这个函数返回两个值，第一个值为阈值，第二个就是阈值处理后的图像矩阵。

# （二）自适应阈值 #

一中的**简单阈值是一种全局性的阈值**，只需要设定一个阈值，整个图像都和这个阈值比较。而**自适应阈值可以看成一种局部性的阈值**，通过设定一个区域大小，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的情况。使用的函数为：

cv2.adaptiveThreshold()

**参数：**

*  第一个参数 src 指原图像，原图像应该是灰度图。
 *  第二个参数 x 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
 *  第三个参数 adaptive\_method 指： CV\_ADAPTIVE\_THRESH\_MEAN\_C 或 CV\_ADAPTIVE\_THRESH\_GAUSSIAN\_C
 *  第四个参数 threshold\_type 指取阈值类型：必须是下者之一 CV\_THRESH\_BINARY，CV\_THRESH\_BINARY\_INV
 *  第五个参数 block\_size 指用来计算阈值的象素邻域大小: 3, 5, 7, ...
 *  第六个参数 param1 指与方法有关的参数。对方法CV\_ADAPTIVE\_THRESH\_MEAN\_C 和 CV\_ADAPTIVE\_THRESH\_GAUSSIAN\_C， **它是一个从均值或加权均值提取的常数, 尽管它可以是负数。**

**自适应阈值：**

*  对方法CV\_ADAPTIVE\_THRESH\_MEAN\_C**，先求出块中的均值，再减掉param1。**
 *  对方法 CV\_ADAPTIVE\_THRESH\_GAUSSIAN\_C ，**先求出块中的加权和(gaussian)， 再减掉param1。**

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    ret, th1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    # 第一个参数为原始图像矩阵，第二个参数为像素值上限，第三个是自适应方法（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：设定领域大小（一个正方形的领域）
    # 第六个参数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，而不是整幅图都用一个阈值
    th2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 2)
    th3 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
    th4 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
    
    show_img('img', img)
    show_img('th1', th1)
    show_img('th2', th2)
    show_img('th3', th3)
    show_img('th4', th4)

# （三）Otsu's二值化 #

我们前面说到，cv2.threshold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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70][]

现在对这个图进行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：

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #简单滤波
    ret, th1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
    # Otsu 滤波
    ret2, th2 = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    plt.figure()
    plt.subplot(221), plt.imshow(gray,'gray')
    # .ravel方法将矩阵转化为一维,画出灰度直方图
    plt.subplot(222), plt.hist(gray.ravel(), 256)
    plt.subplot(223), plt.imshow(th1,'gray')
    plt.subplot(224), plt.imshow(th2,'gray')
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 1][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191116194310106.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191116194823896.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70