OpenCV開發筆記（三十）：帶你學習圖像識別之經典OTSU算法閾值化

若該文爲原創文章，未經允許不得轉載
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客導航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/104833663
各位讀者，知識無窮而人力有窮，要麼改需求，要麼找專業人士，要麼自己研究

前言

Demo

OTSU閾值化

概述

閾值化函數原型

Demo源碼

工程模板：對應版本號v1.25.0

---

OpenCV開發專欄

《OpenCV開發筆記（〇）：使用mingw530_32編譯openCV3.4.1源碼，搭建Qt5.9.3的openCV開發環境》

《OpenCV開發筆記（一）：OpenCV介紹、編譯》

《OpenCV開發筆記（二）：cvui交互界面》

《OpenCV開發筆記（三）：OpenCV圖像的概念和基本操作》

《OpenCV開發筆記（四）：OpenCV圖片和視頻數據的讀取與存儲》

《OpenCV開發筆記（五）：OpenCV讀取與操作攝像頭》

《OpenCV開發筆記（六）：OpenCV基礎數據結構、顏色轉換函數和顏色空間》

《OpenCV開發筆記（七）：OpenCV基礎圖形繪製》

《OpenCV開發筆記（八）：OpenCV常用操作之計時、縮放、旋轉、鏡像》

《OpenCV開發筆記（九）：OpenCV區域圖像（ROI）和整體、局部圖像混合》

《OpenCV開發筆記（十）：OpenCV圖像顏色通道分離和圖像顏色多通道混合》

《OpenCV開發筆記（十一）：OpenCV編譯支持Gpu(cuda) 加速開發之win-qt-mingw32編譯》

《OpenCV開發筆記（十二）：OpenCV編譯支持Gpu(cuda) 加速開發之win-qt-msvc2015編譯(opencv3.4.0、cuda9.0、VS2015)》

《OpenCV開發筆記（十三）：OpenCV圖像對比度、亮度的調整》

《OpenCV開發筆記（十四）：算法基礎之線性濾波-方框濾波》

《OpenCV開發筆記（十五）：算法基礎之線性濾波-均值濾波》

《OpenCV開發筆記（十六）：算法基礎之線性濾波-高斯濾波》

《OpenCV開發筆記（十七）：算法基礎之線性濾波對比-方框、均值、高斯濾波》

《OpenCV開發筆記（十八）：算法基礎之非線性濾波-中值濾波》

《OpenCV開發筆記（十九）：算法基礎之非線性濾波-雙邊濾波》

《OpenCV開發筆記（二十）：算法基礎之非線性濾波對比-中值、雙邊濾波》

《OpenCV開發筆記（二十一）：算法基礎之形態學濾波-膨脹》

《OpenCV開發筆記（二十二）：算法基礎之形態學濾波-腐蝕》

《OpenCV開發筆記（二十三）：算法基礎之形態學濾波-開運算》

《OpenCV開發筆記（二十四）：算法基礎之形態學濾波-閉運算》

《OpenCV開發筆記（二十五）：算法基礎之形態學濾波-形態學梯度》

《OpenCV開發筆記（二十六）：算法基礎之形態學濾波-頂帽（禮帽）》

《OpenCV開發筆記（二十七）：算法基礎之形態學濾波-黑帽》

《OpenCV開發筆記（二十八）：帶你學習圖像識別之閾值化》

《OpenCV開發筆記（二十九）：帶你學習圖像識別之自適應閾值》

《OpenCV開發筆記（三十）：帶你學習圖像識別之經典OTSU算法閾值化》

《OpenCV開發筆記（三十一）：帶你學習圖像識別之雙閾值化》

《OpenCV開發筆記（三十二）：帶你學習圖像識別之半閾值化》

持續補充中…

 

    OpenCV開發筆記（三十）：帶你學習圖像識別之經典OTSU算法閾值化

 

前言

      本篇繼續講解閾值化，本篇章有點特殊是需要手碼算法的OTSU閾值化。

 

Demo

      （注意：左上爲原圖，右上爲灰度圖，左下角爲threshold做otsu算法閾值化，中下爲代碼的otsu算法，右下爲threshold做三角形算法）

 

OTSU閾值化

概述

      OTSU是經典常用的閾值化算法，是由日本學者OTSU於1979年提出的一種對圖像進行二值化的高效算法，是一種自適應的閾值確定的方法，又稱大津閾值分割法，是最小二乘法意義下的最優分割是一種尋找圖像閾值的最大類間方差的算法。

      OTSU算法的具體步驟如下：

• 步驟一：計算灰度級中每個像素在整幅圖像中的個數；
• 步驟二：計算每個像素在整幅圖像的概率分佈；
• 步驟三：對灰度級進行遍歷搜索，計算當前灰度值下前景背景類間概率；
• 步驟四：通過目標函數計算出類內與類間方差下對應的閾值。

閾值化函數原型

double threshold( InputArray src,
               OutputArray dst,
               double thresh,
               double maxval,
               int type );

• 參數一：InputArray類型，一般是cv::Mat，且可以處理多通道，8或者32位浮點（注意：當使用THRESH_BINARY處理多通道的時候，每個通道都會進行閾值化，比如RGB三通道，那麼可能R比G,B大，當閾值設置爲大於G、B小於R時，則R爲最大是，顯示紅色，其他類型的閾值形式類推）。
• 參數二；OutputArray類型，輸出的目標圖像，需要和原圖片有一樣的尺寸和類型。
• 參數三：double類型的thresh，閾值。
• 參數四：double類型的maxval，與“THRESH_BINARY”枚舉和“THRESH_BINARY_INV”枚舉一起使用纔有效果，其他枚舉忽略。
• 參數五：int類型的type，閾值類型。

 

Demo源碼

void OpenCVManager::testOtsu()
{
    QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/1.jpg";
    cv::Mat srcMat = cv::imread(fileName1.toStdString());

    int width = 300;
    int height = 200;
    cv::resize(srcMat, srcMat, cv::Size(width, height));

    cv::String windowName = _windowTitle.toStdString();
    cvui::init(windowName);

    if(!srcMat.data)
    {
        qDebug() << __FILE__ << __LINE__
                 << "Failed to load image:" << fileName1;
        return;
    }

    // 灰度化圖像
    cv::Mat grayMat;
    cv::cvtColor(srcMat, grayMat, cv::COLOR_BGR2GRAY);

    // 傳入otsm算法獲取計算的閾值
    int thresh = otsuAlgorithm(grayMat);
    qDebug() << __FILE__ << __LINE__ <<thresh;

    cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 3, srcMat.rows * 2),
                                srcMat.type());
    cv::Mat dstMat;
    while(true)
    {
        windowMat = cv::Scalar(0, 0, 0);
        cvui::printf(windowMat, width * 1 + 60, height * 0 + 100, "otsuThresh = %d", thresh);

        cv::Mat grayMat2;
        cv::cvtColor(grayMat, grayMat2, CV_GRAY2BGR);

        // 原始圖像
        dstMat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
                           cv::Range(srcMat.cols * 0, srcMat.cols * 1));
        cv::addWeighted(dstMat, 0.0, srcMat, 1.0, 0.0, dstMat);

        // 轉化的灰度圖像
        dstMat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
                           cv::Range(srcMat.cols * 2, srcMat.cols * 3));
        cv::addWeighted(dstMat, 0.0, grayMat2, 1.0, 0.0, dstMat);

        // 使用閾值函數計算otsu
        dstMat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                           cv::Range(srcMat.cols * 0, srcMat.cols * 1));
        cv::Mat grayMat3;
        cv::threshold(grayMat, grayMat3, thresh, 255, CV_THRESH_OTSU);
        cv::cvtColor(grayMat3, grayMat2, CV_GRAY2BGR);
        cv::addWeighted(dstMat, 0.0, grayMat2, 1.0, 0.0, dstMat);

        // 使用自己寫的計算的otsu
        dstMat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                           cv::Range(srcMat.cols * 1, srcMat.cols * 2));
        cv::Mat grayMat4;
        cv::threshold(grayMat, grayMat4, thresh, 255, CV_THRESH_BINARY);
        cv::cvtColor(grayMat4, grayMat2, CV_GRAY2BGR);
        cv::addWeighted(dstMat, 0.0, grayMat2, 1.0, 0.0, dstMat);

        // 額外：三角形使用自己寫的計算的otsu
        dstMat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
                           cv::Range(srcMat.cols * 2, srcMat.cols * 3));
        cv::Mat grayMat5;
        cv::threshold(grayMat, grayMat5, thresh, 255, CV_THRESH_TRIANGLE);
        cv::cvtColor(grayMat5, grayMat2, CV_GRAY2BGR);
        cv::addWeighted(dstMat, 0.0, grayMat2, 1.0, 0.0, dstMat);

        // 更新
        cvui::update();
        // 顯示
        cv::imshow(windowName, windowMat);
        // esc鍵退出
        if(cv::waitKey(25) == 27)
        {
            break;
        }
    }

}

int OpenCVManager::otsuAlgorithm(cv::Mat srcMat)
{
    int threshold = -1;
    // 檢查圖像是否是8位數據，單通道
    if(srcMat.type() != CV_8UC1)
    {
        qDebug() << __FILE__ << __LINE__ << "srcMat must be CV_8UC1";
        return -1;
    }
    int grayScale[256] = {0};       // 每個灰度級所佔像素的
    double grayPro[256] = {0};      // 每個灰度級所佔像素比例: 爲 該像素出現的次數/總像素
    // 步驟一：計算灰度級中每個像素在整幅圖像中的個數；灰度級8位爲256級別0~255
    for(int row = 0; row < srcMat.rows; row++)
    {
        for(int col = 0; col < srcMat.cols; col++)
        {
            grayScale[srcMat.at<uchar>(row, col)]++;
#if 0
            // 整數行設置成白色
            if(row % 10 == 0)
            {
                srcMat.at<uchar>(row, col) = 255;
            }
            // 整數列設置成黑色
            if(col % 10 == 0)
            {
                srcMat.at<uchar>(row, col) = 0;
            }
#endif
        }
    }
    // 步驟二：計算每個像素在整幅圖像的概率分佈；
    int pixSum =  srcMat.rows * srcMat.cols;
    for(int index = 0; index < 256; index++)
    {
        grayPro[index] = (float)grayScale[index] / pixSum;
    }
    // 步驟三：便利所有灰度級的閾值分割條件，測試哪一個的類間方差最大
    // 注意：方差公式 g = w0 * w1 * (u1 - u2)^2
    double deltaMax = 0;
    double w0 = 0.0f;
    double w1 = 0.0f;
    double u0 = 0.0f;
    double u1 = 0.0f;
    double u0Temp = 0.0f;
    double u1Temp = 0.0f;
    double deltaTemp = 0.0f;
    for(int i = 0; i < 256; i++)
    {
        w0 = 0.0f;
        w1 = 0.0f;
        u0 = 0.0f;
        u1 = 0.0f;
        u0Temp = 0.0f;
        u1Temp = 0.0f;
        deltaTemp = 0.0f;
        // 步驟三：對灰度級進行遍歷搜索，計算當前灰度值下前景背景類間概率；
        for(int j = 0; j < 256; j++)
        {
            // 背景
            if(j <= i)
            {
                w0 += grayPro[j];
                u0Temp += j * grayPro[j];
            }else   // 前景
            {
                w1 += grayPro[j];
                u1Temp += j * grayPro[j];
            }
        }
        u0 = u0Temp / w0;
        u1 = u1Temp / w1;
        // 方差公式 g = w0 * w1 * (u1 - u2)^2
        deltaTemp = (float)(w0 * w1 * pow((u0 - u1), 2));
        qDebug() << __FILE__ <<__LINE__
                 << w0  << w1 << u0  << u1;
        // 步驟四：通過目標函數計算出類內與類間方差下對應的閾值。
        if(deltaTemp > deltaMax)
        {
            deltaMax = deltaTemp;
            threshold = i;
        }
    }
    return threshold;
}

 

工程模板：對應版本號v1.25.0

      對應版本號v1.25.0

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客導航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/104833663