你的位置:首页 > 信息动态 > 新闻中心
信息动态
联系我们

OpenCV学习笔记(四)——阈值处理

2021-11-30 21:21:26

《OpenCV轻松入门:面向Python》学习笔记(四)

      • 1. threshold 函数
      • 2. 自适应阈值处理
      • 3. Ostu处理(自动寻找最佳阈值)

1. threshold 函数

retval, dst = cv2.threshold( src, thresh, maxval, type )

  • retval 代表返回的阈值。
  • dst 代表阈值分割结果图像,与原始图像具有相同的大小和类型。
  • src 代表要进行阈值分割的图像,可以是多通道的,8 位或32 位浮点型数值。
  • thresh 代表要设定的阈值。
  • maxval 代表当type参数为THRESH_BINARY或者THRESH_BINARY_INV类型时,需要设定的最大值。
  • type 代表阈值分割的类型,具体类型值如表所示。

在这里插入图片描述
在这里插入图片描述

2. 自适应阈值处理

对于色彩均衡的图像,直接使用一个阈值就能完成对图像的阈值化处理。但是,有时图像的色彩是不均衡的,此时如果只使用一个阈值,就无法得到清晰有效的阈值分割结果图像。

有一种改进的阈值处理技术,其使用变化的阈值完成对图像的阈值处理,这种技术被称为自适应阈值处理。在进行阈值处理时,自适应阈值处理的方式通过计算每个像素点周围临近区域的加权平均值获得阈值,并使用该阈值对当前像素点进行处理。与普通的阈值处理方法相比,自适应阈值处理能够更好地处理明暗差异较大的图像。

dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C )

  • dst 代表自适应阈值处理结果。
  • src 代表要进行处理的原始图像。需要注意的是,该图像必须是8 位单通道的图像。
  • maxValue 代表最大值。
  • adaptiveMethod 代表自适应方法。
  • thresholdType 代表阈值处理方式, 该值必须是cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV 中的一个。
  • blockSize 代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸,通常为3、5、7 等。
  • C 是常量。

函数 cv2.adaptiveThreshold()根据参数adaptiveMethod 来确定自适应阈值的计算方法,函数包含cv2.ADAPTIVE_THRESH_MEAN_C 和cv2.ADAPTIVE_THRESH_GAUSSIAN_C 两种不同的方法。这两种方法都是逐个像素地计算自适应阈值,自适应阈值等于每个像素由参数blockSize所指定邻域的加权平均值减去常量C。两种不同的方法在计算邻域的加权平均值时所采用的方式不同:

  • cv2.ADAPTIVE_THRESH_MEAN_C:邻域所有像素点的权重值是一致的。
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C:与邻域各个像素点到中心点的距离有关,通过高斯方程得到各个点的权重值。
例:对一幅图像分别使用二值化阈值函数cv2.threshold()和自适应阈值函数cv2.adaptiveThreshold()进行处理,观察处理结果的差异。
import cv2
img=cv2.imread("computer.jpg",0)
t1,thd=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
athdMEAN=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH
_BINARY,5,3)
athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.TH
RESH_BINARY,5,3)
cv2.imshow("img",img)
cv2.imshow("thd",thd)
cv2.imshow("athdMEAN",athdMEAN)
cv2.imshow("athdGAUS",athdGAUS)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

通过对比普通的阈值处理与自适应阈值处理可以发现,自适应阈值处理保留了更多的细节信息。在一些极端情况下,普通的阈值处理会丢失大量的信息,而自适应阈值处理可以得到效果更好的二值图像。

3. Ostu处理(自动寻找最佳阈值)

Otsu 方法能够根据当前图像给出最佳的类间分割阈值。简而言之,Otsu 方法会遍历所有可能阈值,从而找到最佳的阈值,比较适用于图像中的颜色分布呈现两个波峰的情况
t,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
与普通阈值分割的不同之处在于:

  • 参数 type 增加了一个参数值“cv2.THRESH_OTSU”。
  • 设定的阈值为0。
  • 返回值 t 是Otsu方法计算得到并使用的最优阈值。
例:分别对一幅图像进行普通的二值化阈值处理和Otsu 阈值处理,观察处理结果的差异
import cv2
img=cv2.imread("tiffany.bmp",0)
t1,thd=cv2.threshold(img,127,255,cv2.THRESH_BINARY) //t1的值为设定的阈值127
t2,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) //t2的值为计算机自己计算出的阈值
cv2.imshow("img",img)
cv2.imshow("thd",thd)
cv2.imshow("otus",otsu)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述