【OpenCV C++&Python】（四）图像阈值处理

文章目录

• ​​图像阈值处理​​

• ​​Python​​

• ​​简单阈值处理​​
• ​​自适应阈值处理​​
• ​​大津(Otsu)法​​

• ​​C++​​

• ​​简单阈值处理​​
• ​​自适应阈值处理​​
• ​​大津(Otsu)法​​

图像阈值处理

Python

简单阈值处理

OpenCV的​​cv.threshold​​​用于简单阈值处理，它的第一个参数是灰度源图像​​src​​​；第二个参数是阈值​​thresh​​​；第三个参数是赋值给超过阈值的像素的最大值​​maxval​​；第四个参数则是阈值处理的类型：

​​cv.threshold​​​返回两个输出。第一个是使用的阈值，第二个输出是阈值图像​​dst​​。下面比较不同类型的阈值处理方法：

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

img = cv.imread('threshold.jpg', 0)
ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
ret, thresh5 = cv.threshold(img, 127, 255, cv.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()

自适应阈值处理

简单阈值处理在图像全局都使用同一个阈值，如果图像在不同区域有不同的照明条件，这可能就不适用了。在这种情况下，自适应阈值处理更适合。自适应阈值处理根据像素周围的一个小区域来确定阈值。可以使用OpenCV的​​cv.adaptiveThreshold​​实现这个功能。

​​cv.adaptiveThreshold​​​的第一个参数是灰度源图像​​src​​​；第二个参数是赋值给超过阈值的像素的最大值​​maxval​​；

第三个参数​​adaptiveMethod​​决定如何计算阈值:

• ​​cv.ADAPTIVE_THRESH_MEAN_C​​​：阈值是邻域内像素的平均值减去常数​​C​​。
• ​​cv.ADAPTIVE_THRESH_GAUSSIAN_C​​​：阈值是邻域内像素的高斯加权和减去常数​​C​​。

第四个参数则是阈值处理的类型；第五个参数​​ blockSize​​​决定邻域区域的大小；第六个参数是常数​​C​​。

下面对比一下简单阈值处理和自适应阈值处理：

import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('adaptiveThreshold.jpg', 0)
ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
th2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)
th3 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)

titles = ['Original Image', 'BINARY(v=127)',
          'ADAPTIVE_THRESH_MEAN_C', 'ADAPTIVE_THRESH_GAUSSIAN_C']
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()

大津(Otsu)法

在普通阈值处理中，我们需要指定阈值。大津法则能够从图像直方图中自动确定一个最优的全局阈值，即使用大津法不用人工挑选阈值。

大津法确定阈值的方法是找到一个阈值，使类间方差最大或类内方差最小。设图像像素数为，灰度范围为。对应灰度级的像素数为，灰度级的频率为：

总和为1：

把图像中像素按灰度值用阈值分成两类和，由灰度值在之间的像素组成，由灰度值在之间的像素组成。整幅图像的均值为：

令

则和的均值为：

由上面式子可得：

类内方差（within-class variance） 定义为：

反映每一类样本方差的大小。（值越小，各类的样本越集中，越好分割）

类间方差（between-class variance） 定义为：

相当于以每一类的均值作为该类的代表值，以总体均值为均值计算方差。类间方差反映阈值两侧数据之间的差异程度。（值越大，类别越明显，越好分割）

由，得到：

再由：

得到：

即类内方差与类间方差之和为定值，最大化类间方差与最小化类内方差等价。

使用​​cv.threshold()​​​函数，阈值处理的类型可以任意选择，​​THRESH_OTSU​​​作为一个额外的​​flag​​即可使用大津法。下面以一个直方图包含两个峰的图像(双峰图像)为例：

import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('coins.png', 0)
# 普通二值化
ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
# Otsu法二值化
ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)  # 随便给个0为阈值

images = [img, [], th1,
          img, [], th2]
titles = ['Original Image', 'Histogram', 'BINARY (v=127)',
          'Original Image', 'Histogram', 'OTSU(v=0)']
for i in range(2):
    plt.subplot(2, 3, i * 3 + 1), plt.imshow(images[i * 3], 'gray')
    plt.title(titles[i * 3]), plt.xticks([]), plt.yticks([])
    plt.subplot(2, 3, i * 3 + 2), plt.hist(images[i * 3].ravel(), 256)
    plt.title(titles[i * 3 + 1]), plt.xticks([]), plt.yticks([])
    plt.subplot(2, 3, i * 3 + 3), plt.imshow(images[i * 3 + 2], 'gray')
    plt.title(titles[i * 3 + 2]), plt.xticks([]), plt.yticks([])
plt.show()

大津法无需人工指定阈值即可达到较为理想的效果。

C++

简单阈值处理

#include <opencv2\opencv.hpp>
using namespace cv;
int main()
{
  Mat img = imread("threshold.jpg",0);
  Mat thresh1, thresh2, thresh3, thresh4, thresh5;
  
  threshold(img, thresh1, 127, 255, THRESH_BINARY);
  threshold(img, thresh2, 127, 255, THRESH_BINARY_INV);
  threshold(img, thresh3, 127, 255, THRESH_TRUNC);
  threshold(img, thresh4, 127, 255, THRESH_TOZERO);
  threshold(img, thresh5, 127, 255, THRESH_TOZERO_INV);

  imshow("Original Image", img);
  imshow("BINARY", thresh1);
  imshow("BINARY_INV", thresh2);
  imshow("TRUNC", thresh3);
  imshow("TOZERO", thresh4);
  imshow("TOZERO_INV", thresh5);
  waitKey(0);
  return 0;
}

自适应阈值处理

#include <opencv2\opencv.hpp>
using namespace cv;
int main()
{
  Mat img = imread("adaptiveThreshold.jpg",0);
  Mat thresh1, thresh2, thresh3;
  threshold(img, thresh1, 127, 255, THRESH_BINARY);
  adaptiveThreshold(img, thresh2,255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 11, 2);
  adaptiveThreshold(img, thresh3,255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 11, 2);

  imshow("Original Image", img);
  imshow("BINARY", thresh1);
  imshow("ADAPTIVE_THRESH_MEAN_C", thresh2);
  imshow("ADAPTIVE_THRESH_GAUSSIAN_C", thresh3);
  waitKey(0);
  return 0;
}

大津(Otsu)法

#include <opencv2\opencv.hpp>
using namespace cv;
int main()
{
  Mat img = imread("coins.png",0);
  Mat thresh1, thresh2;
  threshold(img, thresh1, 127, 255, THRESH_BINARY);
  threshold(img, thresh2, 0, 255, THRESH_BINARY + THRESH_OTSU);

  imshow("Original Image", img);
  imshow("BINARY", thresh1);
  imshow("OTSU", thresh2);
  waitKey(0);
  return 0;
}

代码：
​​​ https://gitee.com/BinaryAI/open-cv-c–and-python​​

参考：

[1]https://docs.opencv.org/4.6.0/

[2]https://zhuanlan.zhihu.com/p/384457101

[3]数字图像处理（MATLAB版）（第2版）,张德丰, 人民邮电出版社