OpenCV-Python系列之图像阈值

自本教程开始，我们已经进入了图像处理的一些基本操作的学习，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

我们先来看函数原型：

ret, dst = cv2.threshold(src, thresh, maxval, type)

src： 输入图，只能输入单通道图像，通常来说为灰度图

dst： 输出图

thresh： 阈值

maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

该函数返回两个值，但通常情况下我们只使用第二个值，第二个代表二值化之后的图像。

我们来看一下type的几个定义：

通过实例来了解一下具体的操作：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread("cat.jpg",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 range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

我们一次性将五种参数全部演示出来，方便对比，为了绘制多个图像，我们使用了plt.subplot（）函数。

自适应阈值化

刚刚我们所讲述的，是一种最简单的阈值化的方法，也称为固定阈值，但是其局限性很大，现在我们做个实验，方便看出它的缺点，我们采用这张图片：

我们使用之前的方法：

import cv2 as cv

img = cv.imread("text.png",0)
ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
cv.imshow("res",thresh1)
cv.waitKey(0)
cv.destroyAllWindows()

可以看到，处理之后的图像已经完全崩坏，没有办法再做下一步的处理。然而，这并不是个例，固定阈值化的缺点就是对暗亮程度不同的图片无法做到很好的处理。

现在我们将介绍自适应性二值化，相比于固定阈值的二值化处理，自适应阈值不需要确定一个固定的阈值，而是可以根据对应的自适应方法，通过图像的局部特征自适应的设定阈值，做出二值化处理。

先来了解一个函数：
dst=cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

src：待二值化的图像，图像只能是CV_8UC1数据类型。

dst：二值化后的图像，与输入图像具有相同的尺寸、数据类型。

maxValue：二值化的最大值。

adaptiveMethod：自制应确定阈值的方法，分为均值法ADAPTIVE_THRESH_MEAN_C和高斯法ADAPTIVE_THRESH_GAUSSIAN_C这两种。

thresholdType：选择图像二值化方法的标志，只能是THRESH_BINARY和THRESH_BINARY_INV。

blockSize：自适应确定阈值的像素邻域大小，一般为3，5，7的奇数。

C：从平均值或者加权平均值中减去的常数，可以为正，也可以为负。

函数支持两种自适应方法，即ADAPTIVE_THRESH_MEAN_C（平均）和ADAPTIVE_THRESH_GAUSSIAN_C（高斯）。在两种情况下，自适应阈值T(x, y)。通过计算每个像素周围bxb大小像素块的加权均值并减去常量C得到。其中，b由blockSize给出，大小必须为奇数；如果使用平均的方法，则所有像素周围的权值相同；如果使用高斯的方法，则（x,y）周围的像素的权值则根据其到中心点的距离通过高斯方程得到。

我们来看一下代码实例：

import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread('text.png',0)

# 自适应阈值
th2 = cv.adaptiveThreshold(
    img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 15, 4)
th3 = cv.adaptiveThreshold(
    img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 15, 8)

cv.imshow("th2",th2)
cv.imshow("th3",th3)
cv.waitKey(0)

输出的第一幅图像为使用均值法得到的，第二个则为使用高斯法得到的：

可以看到，其效果要比固定阈值法好得多，而这种方法，我们会用与许多的例子，比如文档的OCR文字识别以及答题卡的判定等等，这些案例都会用到自适应性二值化对图像进行预处理，从而方便后期的操作。

当然，图像的阈值化不仅仅如此，下个教程我们将会讲述到图像阈值的其他方法，它们将更有实用性，且效果更好，但是相对应的，算法也相当的复杂。