OpenCV版本要求在2.3.1以上

本文主要介绍OpenCV中阈值函数的相关应用。

1.普通阈值函数

普通的阈值函数非常简单,就像它的名字的描述一样,它能让我们根据像素点的灰度值跟阈值相对比,再根据对比结果来改变这个像素的灰度值。这个函数的函数名是cv2.threshold(),它有四个输入,第一个是原图像(必须为灰度图),第二个是阈值,第三个叫maxVal,它表示如果这个点的灰度大于(有时是小于,根据第四个输入的设置)阈值,则将这个点的灰度修改成maxVal,第四个参数则决定函数的具体功能,详细解释可以去百度或者查看文档:

cv2.THRESH_BINARY

cv2.THRESH_BINARY_INV

cv2.THRESH_TRUNC

cv2.THRESH_TOZERO

cv2.THRESH_TOZERO_INV

示例程序还调用了matplotlib库:


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

img = cv2.imread('gradient.png',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()



2.自适应的阈值

之前介绍的简单阈值函数的使用范围非常小,如果图像各个部分的灰度变化比较大,那个它就没什么用武之地了。这个时候,我们就需要一个更加智能的阈值函数:比如它可以通过某种算法分别为不同的区域计算不同的阈值(自适应的阈值),然后再根据每个区域的阈值具体地去处理每个区域。cv2.adaptiveThreshold()函数提供了两种计算阈值的算法:

cv2.ADAPTIVE_THRESH_MEAN_C : 阈值是设定区域的均值

cv2.ADAPTIVE_THRESH_GAUSSIAN_C : 阈值是设定区域的加权和,权重是一个高斯窗函数。

另外,我们还需要设置区域的大小和,计算权重的参数。具体请参考函数文档。

下面的代码用不同的阈值函数和算法处理统一张图片:


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

img = cv2.imread('dave.jpg',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()




3.Otsu's二值化

细心的读者可能会发现,cv2.threshold()函数有两个返回值。其中,ret这个值我们之前一直没用到,而在Otsu‘s二值化时,我们将会用到这个值。

那么,什么是Otsu‘s二值化呢?其实很简单,二值化其实就是告诉我们阈值选哪个值是最合适的。回想我们在使用cv2.threshold()这个函数时,阈值是自己设置的吧?可是我们到底如何确定这个阈值是多少才是合适的呢?如果要处理的图像的直方图是一个双峰图像,那么这个阈值肯定是处于两个峰之间的峰谷处。其实这就是Otsu‘s二值化所做的(为双峰图像选择一个合适的阈值,如果不是双峰图像,那么它的效果可能就没那么好了)。

具体用法如下:先传递一个额外的参数cv2.THRESH_OTSU,而设置阈值的那个参数,我们则设置它为0。然后,这个函数就会找个合适的阈值并把它作为第二个参数返回。

以下程序对比了三个例子:例1设定的阈值为127,例2用Otsu's二值化来计算阈值并处理图像,例3先用高斯滤波去噪,然后再用Otsu's二值化来计算阈值并处理图像。


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

img = cv2.imread('noisy2.png',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
blur = cv2.GaussianBlur(img,(5,5),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"]

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()



最后,再介绍以下Otsu's二值化的原理:对于一幅图像,分割的阈值为t,小于阈值的点占图像比例为w0,均值为u0,大于阈值的点占图像比例为w1,均值为u1,则整个图像的均值为u=w0*u0+w1*u1,建立目标函数g(t)=w0*(u0-u)^2+w1*(u1-u)^2,则g(t)为最大是所对应的t就称是Otsu's二值化算法得到的最佳阈值。