opencv 5 -- 图像阈值
这章将说，二值化的问题
二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓
将图像黑白化，是很多图像处理技术的必要一步
目的：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
一、简单阈值–cv2.threshhold()
像素值高于阈值时，我们给这个像素 赋予一个新值(可能是白色)，否则我们给它赋予另外一种颜色(也许是黑色)。 这个函数就是 cv2.threshhold()
简单阈值，采用的是全局阈值，把整幅图像分成了非黑即白的二值图像
函数说明：
diff = cv2.threshold(diff, 25, 255, cv2.THRESH_BINARY)[1] # 二值化阈值处理四个参数，第一个原图像，即灰度图； 第二个进行分类的阈值， 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（黑白二值反转） • cv2.THRESH_TRUNC （得到的图像为多像素值） • cv2.THRESH_TOZERO • cv2.THRESH_TOZERO_INV
该函数有两个返回值， 第一个retVal（得到的阈值值）， 第二个就是阈值化后的图像
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',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 xrange(6):
plt.subplot(2,3,i+1)
plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([])
plt.yticks([])
plt.show()结果：
可以看到这里把阈值设置成了127（中灰色），对于BINARY方法， 当图像中的灰度值大于127的重置像素值为255
二、自适应阈值
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：cv2.adaptiveThreshold()
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,2)该函数需要填6个参数：
第一个原始图像(灰度图) 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
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',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()结果：
三、Otsu’s Binarization: 基于直方图的二值化
Otsu’s Binarization是一种基于直方图的二值化方法，它需要和threshold函数配合使用。
配合简单阈值threshold函数，在第一部分中提到过 retVal，当我们使用 Otsu 二值化时会用到它
在使用全局阈值时，我们就是随便给了一个数来做阈值，那我们怎么知道 我们选取的这个数的好坏呢?答案就是不停的尝试。如果是一副双峰图像(简单来说双峰图像是指图像直方图中存在两个峰)呢?我们岂不是应该在两个峰 之间的峰谷选一个值作为阈值?这就是 Otsu 二值化要做的。简单来说就是对一副双峰图像自动根据其直方图计算出一个阈值。(对于非双峰图像，这种方法得到的结果可能会不理想)
这里用到到的函数还是 cv2.threshold()，但是需要多传入一个参数 (flag):cv2.THRESH_OTSU。这时要把阈值设为 0。然后算法会找到最 优阈值，这个最优阈值就是返回值 retVal。如果不使用 Otsu 二值化，返回的retVal 值与设定的阈值相等
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',0)
# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY) # Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# Otsu's thresholding after Gaussian filtering #(5,5)为高斯核的大小，0 为标准差
blur = cv2.GaussianBlur(img,(5,5),0)
# 阈值一定要设为 0!
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.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"]
# 这里使用了 pyplot 中画直方图的方法，plt.hist, 要注意的是它的参数是一维数组
# 所以这里使用了(numpy)ravel 方法，将多维数组转换成一维，也可以使用 flatten 方法
#ndarray.flat 1-D iterator over an array.
#ndarray.flatten 1-D array copy of the elements of an array in row-major order.
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()结果：
Otsu过程： 1. 计算图像直方图； 2. 设定一阈值，把直方图强度大于阈值的像素分成一组，把小于阈值的像素分成另外一组； 3. 分别计算两组内的偏移数，并把偏移数相加； 4. 把0~255依照顺序多为阈值，重复1-3的步骤，直到得到最小偏移数，其所对应的值即为结果阈值
import cv2
import numpy as np
from matplotlib import pyplot as plt
# 在两个峰之间找到一个阈值 t，将这两个峰分开，并且使每一个 峰内的方差最小
img = cv2.imread('person_454.bmp',0)
# 高斯模糊处理
blur = cv2.GaussianBlur(img,(5,5),0)
# find normalized_histogram, and its cumulative distribution function
# 计算归一化直方图
#CalcHist(image, accumulate=0, mask=NULL)
hist = cv2.calcHist([blur],[0],None,[256],[0,256])
hist_norm = hist.ravel()/hist.max()
Q = hist_norm.cumsum()
bins = np.arange(256)
fn_min = np.inf
thresh = -1
for i in xrange(1,256):
p1,p2 = np.hsplit(hist_norm,[i]) # probabilities
q1= Q[i]
q2 = Q[255]-Q[i] # cum sum of classes
b1,b2 = np.hsplit(bins,[i]) # weights
# finding means and variances
m1 = np.sum(p1*b1)/q1
m2 = np.sum(p2*b2)/q2
v1 = np.sum(((b1-m1)**2)*p1)/q1
v2 = np.sum(((b2-m2)**2)*p2)/q2
# calculates the minimization function
fn = v1 * q1 + v2 * q2
if fn < fn_min:
fn_min = fn
thresh = i
# find otsu's threshold value with OpenCV function
ret, otsu = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print thresh,ret结果： 136 135.0