python-opencv 图像二值化，自适应阈值处理
定义：图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。
简单的阈值-（全局阈值）：
Python-OpenCV中提供了阈值（threshold）函数：
cv2.threshold（）
函数：第一个参数 src 指原图像，原图像应该是灰度图。
第二个参数 x 指用来对像素值进行分类的阈值。
第三个参数 y 指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
第四个参数 Methods 指，不同的不同的阈值方法，这些方法包括：
•cv2.THRESH_BINARY 图（1）
•cv2.THRESH_BINARY_INV 图（2）
•cv2.THRESH_TRUNC 图（3）
•cv2.THRESH_TOZERO 图（4）
•cv2.THRESH_TOZERO_INV 图（5）
破折线为将被阈值化的值；虚线为阈值
图（1）
大于阈值的像素点的灰度值设定为最大值(如8位灰度值最大为255)，灰度值小于阈值的像素点的灰度值设定为0。
图（2）
大于阈值的像素点的灰度值设定为0，而小于该阈值的设定为255。
图（3）
像素点的灰度值小于阈值不改变，大于阈值的灰度值的像素点就设定为该阈值。
图（4）
像素点的灰度值小于该阈值的不进行任何改变，而大于该阈值的部分，其灰度值全部变为0。
图（5）
像素点的灰度值大于该阈值的不进行任何改变，像素点的灰度值小于该阈值的，其灰度值全部变为0。
Python+opencv代码：
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('1.bmp') GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 中值滤波 GrayImage= cv2.medianBlur(GrayImage,5) ret,th1 = cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY) #3 为Block size, 5为param1值 th2 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\ cv2.THRESH_BINARY,3,5) th3 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\ cv2.THRESH_BINARY,3,5) titles = ['Gray Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding'] images = [GrayImage, th1, th2, th3] for i in xrange(4): plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
效果图：
自适应阈值：
当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。
cv2.adaptiveThreshold（）
函数：第一个参数 src 指原图像，原图像应该是灰度图。
第二个参数 x 指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
第三个参数 adaptive_method 指： CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C
第四个参数 threshold_type 指取阈值类型：必须是下者之一 • CV_THRESH_BINARY,
• CV_THRESH_BINARY_INV
第五个参数 block_size 指用来计算阈值的象素邻域大小: 3, 5, 7, ...
第六个参数 param1 指与方法有关的参数。对方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一个从均值或加权均值提取的常数, 尽管它可以是负数。
自适应阈值： 对方法CV_ADAPTIVE_THRESH_MEAN_C，先求出块中的均值，再减掉param1。
对方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ，先求出块中的加权和(gaussian)， 再减掉param1。
例如：
采用方法 CV_ADAPTIVE_THRESH_MEAN_C，阈值类型：CV_THRESH_BINARY, 阈值的象素邻域大小 block_size 选取3，参数param1 取3和5时：
部分原图像像素值 当参数param1为5时
部分原图像像素值 当参数param1为7时
选取对应领域（3*3）求其均值，然后减去参数param1的值为自适应阈值。测试时求得均值为小数时，貌似进行四舍五入之后再减去参数param1。（可能是我没测试准确，无聊时测试一下，共同学习）
Python+opencv代码：
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('1.bmp') GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 中值滤波 GrayImage= cv2.medianBlur(GrayImage,5) ret,th1 = cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY) #3 为Block size, 5为param1值 th2 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\ cv2.THRESH_BINARY,3,5) th3 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\ cv2.THRESH_BINARY,3,5) titles = ['Gray Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding'] images = [GrayImage, th1, th2, th3] for i in xrange(4): plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
效果图：
