文章目录
- 1 灰度直方图
- 1.1 直方图理解
- 1.2 直方图计算
- 1.3 直方图均衡化
- 1.3.1 全局均衡化
- 1.3.2 自适应（局部）均值化
- 2 图像二值化（阈值分割）
- 2.1 二值化理解
- 2.2 求取最优二值化阈值的算法（固定阈值）
- 2.2.1 Isodata算法
- 2.2.2 OTSU 算法
- 2.2.3 Entropy 算法
- 2.2.4 Triangle算法
- 2.3 二值化代码实现
- 2.3.1 全局阈值cv.threshold
- 2.3.2 局部（自适应）阈值cv.adaptiveThreshold
- 2.3.3 自定义阈值cv.threshold
1 灰度直方图
1.1 直方图理解
灰度直方图： 灰度直方图是一个像素分布函数，基于每个灰度级（0-255）。横轴是灰度级0-255，纵轴是图像中每个灰度级像素点的数量。
灰度直方图特点： 把整个图像浓缩在直方图中，丢失了所有的空间信息；灰度直方图按照x轴进行积分，就是图像的面积。
灰度直方图应用：
（1）设置图像的参数:
（2）分析图像灰度的变化，确定最优二值化的值：因为灰度直方图通常有一个属性，双峰性（bimodal）（一个称为前景峰值，另一个为背景峰值）。通常两个峰值之间的最小值，为我们想找的最优二值化的分界点。
1.2 直方图计算
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
'''绘制每个通道的像素值的直方图：既每个通道下，每个像素出现的频次'''
def image_hist_demo(image):
''''''
color=('blue','green','red')
for i ,color in enumerate(color):
hist=cv.calcHist(image,[i],None,[256],[0,255])#图像，通道，mask,bins(直方图size)、range[0,256]
plt.plot(hist,color=color)
plt.xlim([0,256])
plt.show()
src=cv.imread(r'D:\Project\Opencv\Learning01\angelababy.jpg')
cv.imshow("origin image",src)
image_hist_demo(src)
cv.waitKey(0)
1.3 直方图均衡化
直方图是图像的统计学特征。直方图举例：像素值直方图，边缘、方向，梯度直方图等等。
直方图有很多应用：均衡化（增强对比度）、有颜色物体跟踪…
图像直方图均值化都是基于灰度图。直方图均值化自动调整图像对比度，使图像清晰，是图像增强的一个手段
1.3.1 全局均衡化
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
def equalHist_demo(image):
''''''
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#图像转灰度图
dst=cv.equalizeHist(gray)
cv.imshow('equalHist',dst)
src=cv.imread(r'D:\Project\Opencv\Learning01\angelababy.jpg')
cv.imshow("origin image",src)
equalHist_demo(src)
cv.waitKey(0)
1.3.2 自适应（局部）均值化
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
"""全局均衡化"""
def equalHist_demo(image):
''''''
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#图像转灰度图
dst=cv.equalizeHist(gray)
cv.imshow('equalHist',dst)
"""自适应（局部）均衡化"""
def clahe_demo(image):
''''''
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)#图像转灰度图
clahe=cv.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
dst=clahe.apply(gray)
cv.imshow('clahe lHist',dst)
src=cv.imread(r'D:\Project\Opencv\Learning01\angelababy.jpg')
cv.imshow("origin image",src)
equalHist_demo(src)
clahe_demo(src)
cv.waitKey(0)
（左）原图、（中）全局均衡化、（右）自适应或局部均衡化
2 图像二值化（阈值分割）
2.1 二值化理解
上一部分依赖灰度直方图可以理解图像，灰度和像素之间的相关性，进而找到统计学的分布。
二值化： 简单、没有前后关联的、基础、有效的图像分割算法。二值化实际上是通过对灰度直方图的分析，来实现二值化过程。
图像二值化特点：
（1）通常为灰度图的二值化
（2）将图像像素分为两个类别
（3）产生二值图像
二值化分类：
（1）固定阈值二值化（固定阈值，单一阈值或者区间阈值）
固定或全局阈值，只需要一个值就完成整个图像分割。如何选择最优阈值是研究者一直关注的问题，怎么通过数学或模型的方法取得最优二值化的值。
（2）自适应阈值（局部阈值）
应用超过一个阈值；将图像切割多个子图像，对每个子图像求取阈值，将二值化后的图像进行拼接得到最终图像；
2.2 求取最优二值化阈值的算法（固定阈值）
求取最优二值化阈值，实际求取灰度直方图双峰的最低点，但并不是所有图像具有双峰性（或不明显）。
最优二值化的问题关键在于怎么找到评价函数，该评价函数既包含前景信息，又包括背景信息。通过评价函数求优——求最大值及最小值，最终获取最优二值化的值。
评价函数经过对全部灰度值进行计算，求最大、最小，最为最优二值化阈值。
2.2.1 Isodata算法
算法步骤：
（1）选取初始阈值T0（例，图像灰度值的均值）
（2）使用阈值T0将图像划分为两部分（R1和R2）
（3）在R1、R2中分别求取灰度均值μ1和μ2
（4）整个图像的新的二值化阈值：T1=（μ1+μ2）/2
（5）重复（2）（3）（4）直至前一个T和当前T值相同
2.2.2 OTSU 算法
OSTU算法思想： 在两个峰值之间找到相关性，进而求取函数最优值，获取两个峰值最低点。
步骤：
（1）类间方差
：每个类别的平均值与所有像素的总强度平均值的变化.(把整体前景和背景融合起来)
w0,w1,u0,u1分别代表两个类别的频率、均值
（2）评价函数： 类间方差除以总方差
（3）求取最优二值化值：所有可能的阈值（0-255带入（1）（2）操作）通过上述方式进行评估，最大
为最优化二值化阈值。
2.2.3 Entropy 算法
熵：用来衡量一个物体，或者图像，信息量的多少。
步骤：
（1）假设一个阈值将图像分为前景和背景两个部分，求取前景的熵和背景的熵：
Hb和Hw衡量了，前景和背景的信息量的多少。
（2）将前景的熵和背景的熵进行求和，得到整体熵
（3）求取H最优值，获取最优二值化的值：所有可能的阈值（0-255带入上述（1）（2）操作）通过上述方式进行评估，最大H值为最优化二值化阈值。
2.2.4 Triangle算法
原理：在灰度直方图中，找到灰度直方图中，最高峰值的顶点，和其左侧的最小值，在整个直方图中构成三角形，在三角形斜边做垂线，最长的d值为最优的二值化阈值。
2.3 二值化代码实现
2.3.1 全局阈值cv.threshold
ret,binary=cv.threshold()
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
''''''
def threshold_demo():
''''''
target=cv.imread(r'D:\Project\Opencv\Learning01\angelababy.jpg')
"""变为灰度图像"""
gray=cv.cvtColor(target,cv.COLOR_BGR2GRAY)
"""变为二值图像"""
#########方法1：此时cv.THRESH_OTSU计算阈值，0,255作废
ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)#参数：原图像，0,255，二值化方法
cv.imshow('origin', target)
print('yuzhi:',ret)#自动计算的分割阈值
cv.imshow('binary',binary)
# #########方法2，自动全局阈值，此时cv.THRESH_TRIANGLE计算阈值，0,255作废
# ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE)
# cv.imshow('origin', target)
# print('yuzhi:', ret) # 自动计算的分割阈值
# cv.imshow('binary', binary)
# #########方法3，自动指定阈值，小于127是黑色，大于127是白色
# ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY )
# cv.imshow('origin', target)
# print('yuzhi:', ret) # 自动计算的分割阈值
# cv.imshow('binary', binary)
# #########方法4.取反.大于127是黑色，小于127是白色
# ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)
# cv.imshow('origin', target)
# print('yuzhi:', ret) # 自动计算的分割阈值
# cv.imshow('binary', binary)
# #########方法5.截断阈值，大于127变成127，
# ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)
# cv.imshow('origin', target)
# print('yuzhi:', ret) # 自动计算的分割阈值
# cv.imshow('binary', binary)
# #########方法6.小于127变为0
# ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)
# cv.imshow('origin', target)
# print('yuzhi:', ret) # 自动计算的分割阈值
# cv.imshow('binary', binary)
threshold_demo()
cv.waitKey(10000)
2.3.2 局部（自适应）阈值cv.adaptiveThreshold
binary=cv.adaptiveThreshold()
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
''''''
def local_threshold():
''''''
target=cv.imread(r'D:\Project\Opencv\Learning01\angelababy.jpg')
"""变为灰度图像"""
gray=cv.cvtColor(target,cv.COLOR_BGR2GRAY)
"""变为二值图像"""
#########自适应阈值
###方法1：cv.ADAPTIVE_THRESH_MEAN_C
dst=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,25,10)
cv.imshow('target', target)
cv.imshow('binary',dst)
###方法2：cv.ADAPTIVE_THRESH_GAUSSIAN_C
# dst=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,25,10)
# cv.imshow('target', target)
# cv.imshow('binary',dst)
local_threshold()
cv.waitKey(10000)
2.3.3 自定义阈值cv.threshold
ret,binary=cv.threshold()
例使用均值阈值
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
''''''
def custom_threshold():
''''''
target=cv.imread(r'D:\Project\Opencv\Learning01\angelababy.jpg')
"""变为灰度图像"""
gray=cv.cvtColor(target,cv.COLOR_BGR2GRAY)
"""变为二值图像"""
h,w=gray.shape[0:2]
m=np.reshape(gray,[1,w*h])
mean=m.sum()/(w*h)
print('mean',mean)
ret,binary=cv.threshold(gray,mean,255,cv.THRESH_BINARY)
cv.imshow('target',target)
cv.imshow('binary',binary)
custom_threshold()
cv.waitKey(10000)
