OpenCV入门（十五）快速学会OpenCV 14 阈值处理
OpenCV入门（十五）快速学会OpenCV 14 阈值处理
作者：Xiou
1.阈值处理
阈值处理是指剔除图像内像素值高于一定值或者低于一定值的像素点。例如，设定阈值为127，然后：
● 将图像内所有像素值大于127的像素点的值设为255。
● 将图像内所有像素值小于或等于127的像素点的值设为0。
通过上述方式能够得到一幅二值图像，如图所示，按照上述阈值处理方式将一幅灰度图像处理为一幅二值图像，有效地实现了前景和背景的分离。
OpenCV提供了函数cv2.threshold()和函数cv2.adaptiveThreshold()，用于实现阈值处理。
测试原图：
2.threshold函数
OpenCV 使用cv2.threshold()函数进行阈值化处理，该函数的语法格式为：
retval, dst = cv2.threshold( src, thresh, maxval, type )
式中：
● retval代表返回的阈值。
● dst代表阈值分割结果图像，与原始图像具有相同的大小和类型。
● src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值。
● thresh代表要设定的阈值。
● maxval代表当type参数为THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值。
● type代表阈值分割的类型，具体类型值如表所示。
2.1 二值化阈值处理（cv2.THRESH_BINARY）
代码实例：
import cv2
img = cv2.imread("test.jpg")
retval, rst = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
2.2 反二值化阈值处理（cv2.THRESH_BINARY_INV）
代码实例：
import cv2
img = cv2.imread("test.jpg")
retval, rst = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
2.3截断阈值化处理（cv2.THRESH_TRUNC）
代码实例：
import cv2
img = cv2.imread("test.jpg")
retval, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
2.4超阈值零处理（cv2.THRESH_TOZERO_INV）
代码实例：
import cv2
img = cv2.imread("test.jpg")
retval, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
2.5低阈值零处理（cv2.THRESH_TOZERO）
代码实例：
import cv2
img = cv2.imread("test.jpg")
retval, rst = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
cv2.imshow("img", img)
cv2.imshow("rst", rst)
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
3.自适应阈值处理
对于色彩均衡的图像，直接使用一个阈值就能完成对图像的阈值化处理。但是，有时图像的色彩是不均衡的，此时如果只使用一个阈值，就无法得到清晰有效的阈值分割结果图像。
有一种改进的阈值处理技术，其使用变化的阈值完成对图像的阈值处理，这种技术被称为自适应阈值处理。在进行阈值处理时，自适应阈值处理的方式通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。
与普通的阈值处理方法相比，自适应阈值处理能够更好地处理明暗差异较大的图像。
OpenCV提供了函数cv2.adaptiveThreshold()来实现自适应阈值处理，该函数的语法格式为：
dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType,
blockSize, C )
式中：
● dst代表自适应阈值处理结果。
● src代表要进行处理的原始图像。需要注意的是，该图像必须是8位单通道的图像。
● maxValue代表最大值。
● adaptiveMethod代表自适应方法。
● thresholdType代表阈值处理方式，该值必须是cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV中的一个。
● blockSize代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为3、5、7等。
● C是常量。
函数cv2.adaptiveThreshold()根据参数adaptiveMethod来确定自适应阈值的计算方法，函数包含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，自适应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。两种不同的方法在计算邻域的加权平均值时所采用的方式不同：
● 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。
对一幅图像分别使用二值化阈值函数cv2.threshold和自适应阈值函数cv2.adaptiveThreshold进行处理，观察处理结果的差异。
代码实例：
import cv2
img = cv2.imread("test.jpg", 0)
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)
athdGAUS = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 3)
cv2.imshow("a", img)#原始图像
cv2.imshow("b", thd)#二值化图像
cv2.imshow("c", athdMEAN)#自适应阈值cv2.ADAPTIVE_THRESH_MEAN_C图像
cv2.imshow("d", athdGAUS)#自适应阈值cv2.ADAPTIVE_THRESH_MEAN_C图像
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
通过对比普通的阈值处理与自适应阈值处理可以发现，自适应阈值处理保留了更多的细节信息。在一些极端情况下，普通的阈值处理会丢失大量的信息，而自适应阈值处理可以得到效果更好的二值图像。
4.Otsu处理
在使用函数cv2.threshold()进行阈值处理时，需要自定义一个阈值，并以此阈值作为图像阈值处理的依据。通常情况下处理的图像都是色彩均衡的，这时直接将阈值设为127是比较合适的。
但是，有时图像灰度级的分布是不均衡的，如果此时还将阈值设置为127，那么阈值处理的结果就是失败的。
Otsu方法能够根据当前图像给出最佳的类间分割阈值。简而言之，Otsu方法会遍历所有可能阈值，从而找到最佳的阈值。在OpenCV中，通过在函数cv2.threshold()中对参数type的类型多传递一个参数“cv2.THRESH_OTSU”，即可实现Otsu方式的阈值分割。
需要说明的是，在使用Otsu方法时，要把阈值设为0。
此时的函数cv2.threshold()会自动寻找最优阈值，并将该阈值返回。例如，下面的语句让函数cv2.threshold()采用Otsu方法进行阈值分割：
t, otsu=cv2.threshold(img,0,255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
与普通阈值分割的不同之处在于：
● 参数type增加了一个参数值“cv2.THRESH_OTSU”。
● 设定的阈值为0。
● 返回值t是Otsu方法计算得到并使用的最优阈值。
分别对一幅图像进行普通的二值化阈值处理和Otsu阈值处理，观察处理结果的差异。
代码实例：
import cv2
img = cv2.imread("test.jpg", 0)
t1, thd = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
t2, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cv2.imshow("a", img)#原始图像
cv2.imshow("b", thd)#普通二值化阈值处理，以127为阈值的处理结果
cv2.imshow("c", otsu)#cv2.THRESH_OTSU后的处理结果
cv2.waitKey()
cv2.destroyAllWindows()
输出结果：
● 在使用127作为阈值进行普通的二值阈值化处理时，得到了大量的白色区域。
● 在使用Otsu方法进行处理时，因为通过计算采用了最优阈值，所以得到了较好的处理结果。
