opencv 去除杂点 二值化 opencv二值化python

    

目录

简单阈值

自适应阈值

Otsu的二值化

---

        所谓的图像阈值，就是图像二值化，什么是二值化，就是只有0和1，没有其他的。在OpenCV的图像里面，二值化表示图像的像素为0和255，并没有其他的值，它跟灰度化并不同。然而要想实现二值化，就最好先对图像进行灰度化处理，因为我们需要的图像不能具备GBR三元通道。

简单阈值

retval, dst = cv2.threshold (src, thresh, maxval, type)
src：源图像，8位或32位图像的numpy数组
  thresh：阈值，0-255之间的数字，在进行处理时以阈值为边界来设不同的输出，阈值判断时，是以小于等于阈值和大于阈值作为分界条件
  maxval：最大阈值，当使用固定阈值方法时为指定阈值，当叠加标记时为允许最大的阈值，算法必须在小于该值范围内计算合适的阈值
  type：处理方式，具体取值及含义如下

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('gradient.png',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 xrange(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

dst = cv2.adaptiveThreshold( src, maxValue,adaptiveMethod ,thresholdType,blockSize,C)
adaptiveMethod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，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。
 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。在去除背景提取前景方面，自适应阈值函数要有效很多。

import cv2
img=cv2.imread ( "computer.png",0)		#将图像调整为单通道的灰度图像
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)  #采用方法ADAPTIVE_THRESH_MEAN_C
athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)
cv2.imshow ("img",img)
cv2.imshow ("thd",thd)
cv2.imshow ("athdMEAN",athdMEAN)
cv2.imshow ("athdGAUS",athdGAUS)
cv2.waitKey ()
cv2.destroyAllWindows ()

 

Otsu的二值化

在全局阈值处理中，我们使用任意值作为阈值，那么，我们如何知道我们选择的值是好还是不好？

答案是，试错法。但如果是双峰图像(简单来说，双峰图像是直方图有两个峰值的图像)我们可以将这些峰值中间的值近似作为阈值，这就是Otsu二值化的作用。简单来说，它会根据双峰图像的图像直方图自动计算阈值。(对于非双峰图像，二值化不准确。)

为此，使用了我们的cv.threshold()函数，但是需要多传递一个参数cv.THRESH_OTSU。这时要吧阈值设为零。然后算法找到最佳阈值并返回第二个输出retVal。如果未使用Otsu二值化，则retVal与你设定的阈值相同。

请查看以下示例。输入图像是嘈杂的图像。在第一种情况下，我将全局阈值应用为值127。在第二种情况下，我直接应用了Otsu的二值化。在第三种情况下，我使用5x5高斯卷积核过滤图像以消除噪声，然后应用Otsu阈值处理。来看看噪声过滤如何改善结果。
 

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
 
img = cv.imread(r'pictures\noisy2.png')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
 
#global thresholding
ret1,binary1 = cv.threshold(gray,127,255,cv.THRESH_BINARY)
#Otsu's thresholding
ret2,binary2 = cv.threshold(gray,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
#Otsu's thresholding after Gaussian filtering
blur = cv.GaussianBlur(gray,(5,5),0)
ret3,binary3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# cv.imshow('binary1',binary1)
# cv.imshow('binary2',binary2)
# cv.imshow('blur',blur)
# cv.imshow('binary3',binary3)
#Plot all the images and their histograms
images = [img,0,binary1,
          img,0,binary2,
          blur,0,binary3]
titles = ['original noisy image','histogram','global threshold(val=127)',
          'original noisy image','histogram',"Otsu's threshold",
          'Gaussian filter image','histogram',"Otsu's threshold(Gaussian)"]
"""
使用pyplot中画直方图的方法plt.hist(),注意它的参数是一维数组
故使用numpy的ravel()方法或者flatten()方法， 将多维数组转为一维数组
#for循环每次打印出一行3幅图
"""
for i in range(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')    #plt,imshow(img,'gray') 灰度图
    plt.title(titles[i*3]),plt.xticks(()),plt.yticks(())
 
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].flatten(),256)
    plt.title(titles[1]),plt.xticks(()),plt.yticks(())
 
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[2]),plt.xticks(()),plt.yticks(())
 
plt.show()