【OpenCv-Python】十、Image Thresholding 圖像閾值

目標

在本教程中，您將學習簡單的閾值、自適應閾值、Otsu的二值化等。
你將會學習 cv2.threshold, cv2.adaptiveThreshold 等函數的使用。

簡單閾值

這個方法是非常直截了當的。如果一個像素值高於閾值時那麼它將被賦一個新值（可能是白色），否則就被賦另一個值（可能是黑色）。cv2.threshold函數可以實現這種功能。這個函數的第一個參數是經過處理的原圖像，第二個參數是用來給像素值分類的閾值。第三個參數，就是當像素值高於（有時是小於）閾值時應 賦予的新的像素值。OpenCV提供了多種不同的閾值方法，這是由第四個參數決定的。如下：

• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

對於每一種類型，文檔中已經解釋的很清楚了！（我沒搞懂它指的哪份文檔。。。）請查看文檔。一共將獲得兩個返回值，第一個是retval函數，我們後面會解釋。第二個是我們閾值化的圖像。

代碼

import cv2
import numpy as np
from matplotlib import pyplot as plt
#此處採用的圖片只可以使用含有黑白色的
img = cv2.imread('example.jpg',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 range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])

plt.show()

自適應閾值

在先前的部分中我們使用全局變量作爲閾值，但是這種方式並不適合所有情況，特別是當圖像在不同的區域的亮度不同時。在這種情況下，我們將要使用自適應閾值。此時的閾值是根據圖像上的每一個小區域計算相應的閾值。因此在同一幅圖像上的不同區域採用不同的閾值，從而能夠使我們在亮度不同的情況下得到更高的結果。
它有三個指定的參數，一個返回值。
• Adaptive Method- 指定計算閾值的方法
– cv2.ADPTIVE_THRESH_MEAN_C 閾值取自相鄰區域的平均值
– cv2.ADPTIVE_THRESH_GAUSSIAN_C 閾值取值相鄰區域的加權和，權重爲一個高斯窗口。

• Block Size - 鄰域大小，用來計算閾值的區域大小 。

• C - 就是是一個常數，閾值就等於的平均值或者加權平均值減去這個常數。

我們使用下面的代碼來展示簡單閾值與自適應閾值的差別。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('dave.png',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 range(4): 
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') 
    plt.title(titles[i]) 
    plt.xticks([]),plt.yticks([])
plt.show()

Otsu的二值化

在第一部分中我們提到 retVal 當我們使用 Otsu 二值化時會用到它。那麼它到底是什麼呢 ？

在使用全局閾值時，我們就是隨便給了一個數來做閾值。那我們怎麼知道我們選取的這個數的好壞呢？答案就是不停的嘗試。如果是一副雙峯圖像（簡單來說雙峯圖像是指圖像直方圖中存在兩個峯）呢？我們豈不是應在兩個峯之間的峯谷選一個值作爲閾值？這就是 Otsu 二值化要做的。簡單來，就是對一副雙峯圖像自動根據其直方圖計算出一個閾值。 （對於雙峯圖像，這種方法得到的結果可能會不理想 。）

這裏用到的函數還是 cv2.threshold() 但是需要多傳入一個參數 （flag） cv2.THRESH_OTSU。這時把閾值設爲爲 0。然後算法會找到最優閾值，這個最優閾值就是返回值 retVal。如果不使用 Otsu 二值化，返回的 retVal值與設定的閾值相等。

下面的例子中輸入圖像是一副帶有噪聲的圖像。第一種方法，我們設 127 爲全局閾值。第二種方法，我們直接使用 Otsu 二值化。第三種方法，我們先使用一個 5x5 的高斯核除去噪音，然後再使用 Otsu 二值化。看看噪音去除，對結果的影響有多大吧。

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()