(Python)从零开始,简单快速学机器仿人视觉Opencv—第十一节:图像阈值_人工智能

事前准备

使用工具：Python3.5 使用库：cv2,numpy

原始图像

(Python)从零开始,简单快速学机器仿人视觉Opencv---第十一节:图像阈值

任务1：简单阀值

涉及函数：

<code class="prism language-javascript has-numbering">cv2<span class="token punctuation">.</span><span class="token function">threshold</span><span class="token punctuation">(</span><span class="token punctuation">)</span>
</code>

当像素值高于阀值时，我们给这个像素赋予一个新值（可能是白色），否则我们给它赋予另外一种颜色（也许是黑色）。这个函数就是cv2.threshold()。这个函数的第一个参数就是原图像，原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阀值，第三个参数就是当像素值高于（或者小于）阀值时，应该被赋予新的像素值。OpenCV提供了多种不同的阀值方法，这是有第四个参数来决定的。方法包括： cv2.THRESH_BINARY cv2.THRESH_BINARY_INV cv2.THRESH_TRUNC cv2.THRESH_TOZERO cv2.THRESH_TOZERO_INV
(Python)从零开始,简单快速学机器仿人视觉Opencv---第十一节:图像阈值上图摘选自《学习 OpenCV》中文版，其实这些在文档中都有详细介绍了，你也可以直接查看文档。这个函数有两个返回值，第一个为retVal，后面会解释，第二个就是阀值化之后的结果图像了。实例代码：

import cv2
import numpy as np

img = cv2.imread('0.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 = ['Binary','binary-inv','trunc','tozero','tozero-inv']
images = [thresh1,thresh2,thresh3,thresh4,thresh5]

for i in range(5):
    cv2.imshow(titles[i],images[i])
cv2.waitKey(0)
cv2.destrayAllWindows()

图像分别为：
(Python)从零开始,简单快速学机器仿人视觉Opencv---第十一节:图像阈值

任务2：自适应阀值

涉及函数：

cv2.adaptiveThreshold()

根据图像上的每一个小区域计算与其对应的阀值。因此在同一幅图像上的不同区域采用的是不同的阀值，从而使我们能在亮度不同的情况下得到更好的结果。这种方法需要我们指定三个参数，返回值只有一个。 Adaptive Method 指定计算阀值的方法 -cv2.ADAPTIVE_THRESH_MEAN_C:阀值取自相邻区域的平均值 -cv2.ADAPTIVE_THRESH_GAUSSIAN_C:阀值取自相邻区域的加权和，权重为一个高斯窗口 Block Size 邻域大小（用来计算阀值的区域大小） C这就是一个常数，阀值就等于的平均值或者加权平均值减去这个常数

import cv2
import numpy as np

img = cv2.imread('0.jpg',0)
#中值滤波
img = cv2.medianBlur(img,5)

ret , th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
# 11为block size，2为C值
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):
    cv2.imshow(titles[i],images[i])
cv2.waitKey(0)
cv2.destrayAllWindows()

任务3:Otsu’s二值化

我们前面说到，cv2.threshold函数是有两个返回值的，前面一直用的第二个返回值，也就是阈值处理后的图像，那么第一个返回值（得到图像的阈值）将会在这里用到。前面对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值，而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个参数了。因为Otsu’s方法会产生一个阈值，那么函数cv2.threshold的的第二个参数（设置阈值）就是0了，并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU。

import cv2
import numpy as np

img=cv2.imread('0.jpg',0)
ret1,thresh1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret2,thresh2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
blur=cv2.GaussianBlur(img,(5,5),0)
ret3,thresh3=cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

cv2.imshow('img',img)
cv2.imshow('thresh1',thresh1)
cv2.imshow('thresh2',thresh2)
cv2.imshow('thresh3',thresh3)

cv2.waitKey(0)
cv2.destroyAllWindows()