跟我学Python图像处理丨5种图像阈值化处理及算法对比

摘要：本篇文章主要讲解Python调用OpenCV实现图像阈值化处理操作，包括二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。

本文分享自华为云社区《[Python图像处理] 七.图像阈值化处理及算法对比》，作者： eastmount 。

一. 阈值化

（注：该部分参考作者的论文《基于苗族服饰的图像锐化和边缘提取技术研究》）

图像的二值化或阈值化（Binarization）旨在提取图像中的目标物体，将背景以及噪声区分开来。通常会设定一个阈值T，通过T将图像的像素划分为两类：大于T的像素群和小于T的像素群。

灰度转换处理后的图像中，每个像素都只有一个灰度值，其大小表示明暗程度。二值化处理可以将图像中的像素划分为两类颜色，常用的二值化算法如公式1所示：

当灰度Gray小于阈值T时，其像素设置为0，表示黑色；当灰度Gray大于或等于阈值T时，其Y值为255，表示白色。

Python OpenCV中提供了阈值函数threshold()实现二值化处理，其公式及参数如下图所示：

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

常用的方法如下表所示，其中函数中的参数Gray表示灰度图，参数127表示对像素值进行分类的阈值，参数255表示像素值高于阈值时应该被赋予的新像素值，最后一个参数对应不同的阈值处理方法。

对应OpenCV提供的五张图如下所示，第一张为原图，后面依次为：二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。

二值化处理广泛应用于各行各业，比如生物学中的细胞图分割、交通领域的车牌设别等。在文化应用领域中，通过二值化处理将所需民族文物图像转换为黑白两色图，从而为后面的图像识别提供更好的支撑作用。下图表示图像经过各种二值化处理算法后的结果，其中“BINARY”是最常见的黑白两色处理。

二. 二进制阈值化

该方法先要选定一个特定的阈值量，比如127。新的阈值产生规则如下：

(1) 大于等于127的像素点的灰度值设定为最大值（如8位灰度值最大为255）
(2) 灰度值小于127的像素点的灰度值设定为0

例如，163->255，86->0，102->0，201->255。

关键字为 cv2.THRESH_BINARY，完整代码如下：

#encoding:utf-8

import cv2

import numpy as np  

#读取图片

src = cv2.imread('test.jpg')

#灰度图像处理

GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二进制阈值化处理

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY)

print r

#显示图像

cv2.imshow("src", src)

cv2.imshow("result", b)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出为两个返回值，r为127，b为处理结果（大于127设置为255，小于设置为0）。如下图所示：

三. 反二进制阈值化

该方法与二进制阈值化方法相似，先要选定一个特定的灰度值作为阈值，比如127。新的阈值产生规则如下：

(1) 大于127的像素点的灰度值设定为0（以8位灰度图为例）
(2) 小于该阈值的灰度值设定为255

例如，163->0，86->255，102->255，201->0。

关键字为 cv2.THRESH_BINARY_INV，完整代码如下：

#encoding:utf-8

import cv2

import numpy as np  

#读取图片

src = cv2.imread('test.jpg')

#灰度图像处理

GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二进制阈值化处理

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV)

print r

#显示图像

cv2.imshow("src", src)

cv2.imshow("result", b)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果如下图所示：

该方法得到的结果正好与二进制阈值化方法相反，亮色元素反而处理为黑色，暗色处理为白色。

四. 截断阈值化

该方法需要选定一个阈值，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变，比如127。新的阈值产生规则如下：

(1) 大于等于127的像素点的灰度值设定为该阈值127
(2) 小于该阈值的灰度值不改变

例如，163->127，86->86，102->102，201->127。

关键字为 cv2.THRESH_TRUNC，完整代码如下：

#encoding:utf-8

import cv2

import numpy as np  

#读取图片

src = cv2.imread('test.jpg')

#灰度图像处理

GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截断阈值化处理

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)

print r

#显示图像

cv2.imshow("src", src)

cv2.imshow("result", b)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果如下图所示：

该处理方法相当于把图像中比较亮（大于127，偏向于白色）的像素值处理为阈值。

五. 反阈值化为0

该方法先选定一个阈值，比如127，接着对图像的灰度值进行如下处理：

(1) 大于等于阈值127的像素点变为0
(2) 小于该阈值的像素点值保持不变

例如，163->0，86->86，102->102，201->0。

关键字为 cv2.THRESH_TOZERO_INV，完整代码如下：

#encoding:utf-8

import cv2

import numpy as np  

#读取图片

src = cv2.imread('test.jpg')

#灰度图像处理

GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反阈值化为0处理

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)

print r

#显示图像

cv2.imshow("src", src)

cv2.imshow("result", b)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果如下图所示：

六. 阈值化为0

该方法先选定一个阈值，比如127，接着对图像的灰度值进行如下处理：

(1) 大于等于阈值127的像素点，值保持不变
(2) 小于该阈值的像素点值设置为0

例如，163->163，86->0，102->0，201->201。

关键字为 cv2.THRESH_TOZERO，完整代码如下：

#encoding:utf-8

import cv2

import numpy as np  

#读取图片

src = cv2.imread('test.jpg')

#灰度图像处理

GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#阈值化为0处理

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)

print r

#显示图像

cv2.imshow("src", src)

cv2.imshow("result", b)

#等待显示

cv2.waitKey(0)

cv2.destroyAllWindows()

输出结果如下图所示：

该算法把比较亮的部分不变，比较暗的部分处理为0。

完整五个算法的对比代码如下所示：

#encoding:utf-8

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取图像

img=cv2.imread('test.jpg')

lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

#阈值化处理

ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)

ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)

ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)

ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)

ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)

#显示结果

titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']

images = [GrayImage, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in xrange(6):

   plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')

   plt.title(titles[i])

   plt.xticks([]),plt.yticks([])

plt.show()

输出结果如下图所示：

本文摘录自eastmount X华为云开发者社区联合出品的电子书《从零到一 • Python图像处理及识别》。

点击免费下载电子书《从零到一 • Python图像处理及识别》

点击关注，第一时间了解华为云新鲜技术~