Java OpenCV 自适应阈值

目录

• 简单阈值
• 自适应阈值
• Otsu's 二值化

简单阈值

含义：当像素值高于阈值时，我们给像素值赋予一个新值，否则就赋予另外一种颜色。
函数：cv2.threshold(src, thresh, maxval, type, dst=None)
参数含义：src：灰度图像 ，thresh：阈值，maxval：高于（小于）阈值时赋予的新值。type：阈值方法。
阈值方法
• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

这个函数会返回两个值，第一个会在二值化处用到，在这里就不多介绍。第二个就是处理好的图像。

代码示例

import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('../timg.jpg')

#参数含义：这个函数的第一个参数就是原图像，原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阈值。第三个参数
#就是当像素值高于（有时是小于）阈值时应该被赋予的新的像素值。第四个参数为阈值方法
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=['1','2','3','4','5','6']
images=[img,thresh1,thresh2,thresh3,thresh4,thresh5]

for i in range(6):
    #在同一窗口中显示多个图像 表示两行三列 第几个图
    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

当同一幅图像上的不同部分具有不同的亮度，简单阈值就不太合适。这时候就需要自适应阈值了。此时的阈值是根据图像每一部分区域计算相应的阈值，从而在亮度不同的地方得到更好的效果。

函数：cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
参数含义：src：图像 ，maxValue：大于（小于）阈值显示的像素值，adaptiveMethod：计算阈值的方法 ，thresholdType：阈值方法， blockSize：用来计算阈值的区域大小 ，C:常数，阈值就等于平均值或者加权平均值减去这个常数。
计算阈值的方法
—cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
– cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。

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

img=cv2.imread('../timg.jpg', 0)
#中值滤波 去噪处理
img=cv2.medianBlur(img,5)
#不使用Otus二值化，返回的ret与设定的阈值相同
ret,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
# 参数含义  图像，高于阈值显示的像素值，相邻地区的平均值或加权和，阈值方法，选取阈值的范围，常数：平均值减去常数就是阈值
th2=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,7,2)
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 range(4):
      plt.subplot(2,2,i+1)
      plt.imshow(images[i],'gray')
      plt.title(titles[i])
      #给坐标轴赋值，这里赋值为空
      plt.xticks([])
      plt.yticks([])
plt.show()

Otsu’s 二值化

双峰图像：是指图像直方图中存在两个峰
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最优阈值。（对于非双峰图像，这种方法得到的结果可能会不理想）。

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
import matplotlib.pyplot as plt
img=cv2.imread('../timg.jpg', 0)

#简单阈值
ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)

#二值化阈值
ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

#高斯去噪后二值化处理

blur=cv2.GaussianBlur(img,(5,5),0)

ret3,th3=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

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 range(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()