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,)
ret,th1 = cv2.threshold(GrayImage,,,cv2.THRESH_BINARY)
# 为Block size, 5为param1值
th2 = cv2.adaptiveThreshold(GrayImage,,cv2.ADAPTIVE_THRESH_MEAN_C,\
                    cv2.THRESH_BINARY,,)
th3 = cv2.adaptiveThreshold(GrayImage,,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
                    cv2.THRESH_BINARY,,)
titles = ['Gray Image', 'Global Thresholding (v = 127)',
'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [GrayImage, th1, th2, th3]
for i in xrange():
   plt.subplot(,,i+),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,)
ret,th1 = cv2.threshold(GrayImage,,,cv2.THRESH_BINARY)
# 为Block size, 5为param1值
th2 = cv2.adaptiveThreshold(GrayImage,,cv2.ADAPTIVE_THRESH_MEAN_C,\
                    cv2.THRESH_BINARY,,)
th3 = cv2.adaptiveThreshold(GrayImage,,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
                    cv2.THRESH_BINARY,,)
titles = ['Gray Image', 'Global Thresholding (v = 127)',
'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [GrayImage, th1, th2, th3]
for i in xrange():
   plt.subplot(,,i+),plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

 

效果图：