[Python图像处理] 七.图像阈值化处理及算法对比

时间 2020-05-14 标签 python 图像处理七图像阈值化处理算法对比

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各类算法，包括图像锐化算子、图像加强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。但愿文章对您有所帮助，若是有不足之处，还请海涵~html

该系列在github全部源代码：https://github.com/eastmountyxz/ImageProcessing-Python
PS：请求帮忙点个Star，哈哈，第一次使用Github，之后会分享更多代码，一块儿加油。python

前文参考：
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
 [Python图像处理] 二.OpenCV+Numpy库读取与修改像素
 [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
 [Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
 [Python图像处理] 五.图像融合、加法运算及图像类型转换
 [Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移github

本篇文章主要讲解Python调用OpenCV实现图像阈值化处理操做，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。全文均是基础知识，但愿对您有所帮助。
1.阈值化
2.二进制阈值化
3.反二进制阈值化
4.截断阈值化
5.反阈值化为0
6.阈值化为0web

PS：文章参考本身之前系列图像处理文章及OpenCV库函数，同时部分参考网易云视频，推荐你们去学习。同时，本篇文章涉及到《计算机图形学》基础知识，请你们下来补充。算法

PSS：2019年1~2月做者参加了CSDN2018年博客评选，但愿您能投出宝贵的一票。我是59号，Eastmount，杨秀璋。投票地址：https://bss.csdn.net/m/topic/blog_star2018/index网络

五年来写了314篇博客，12个专栏，是真的热爱分享，热爱CSDN这个平台，也想帮助更多的人，专栏包括Python、数据挖掘、网络爬虫、图像处理、C#、Android等。如今也当了两年老师，更是以为有义务教好每个学生，让贵州学子好好写点代码，学点技术，"师者，传到授业解惑也"，提早祝你们新年快乐。2019咱们携手共进，为爱而生。

一. 阈值化

（注：该部分参考做者的论文《基于苗族服饰的图像锐化和边缘提取技术研究》）app

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。一般会设定一个阈值T，经过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，每一个像素都只有一个灰度值，其大小表示明暗程度。二值化处理能够将图像中的像素划分为两类颜色，经常使用的二值化算法如公式1所示：svg

$\begin{cases} Y=0，gray<T\\ Y=255，gray>=T\\ \end{cases}$
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，其公式及参数以下图所示：
retval, dst = cv2.threshold(src, thresh, maxval, type)函数

经常使用的方法以下表所示，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一样的阈值处理方法。

对应OpenCV提供的五张图以下所示，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。

二值化处理普遍应用于各行各业，好比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，经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做用。下图表示图像通过各类二值化处理算法后的结果，其中“BINARY”是最多见的黑白两色处理。

二. 二进制阈值化

该方法先要选定一个特定的阈值量，好比127。新的阈值产生规则以下：
$dst(x,y) = \begin{cases} maxVal， if src(x,y)>thresh\\ 0，otherwise\\ \end{cases}$
(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，完整代码以下：

#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）。以下图所示：

三. 反二进制阈值化

该方法与二进制阈值化方法类似，先要选定一个特定的灰度值做为阈值，好比127。新的阈值产生规则以下：
$dst(x,y) = \begin{cases} 0， if src(x,y)>thresh\\ maxVal，otherwise\\ \end{cases}$
(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，完整代码以下：

#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()

输出结果以下图所示：

该方法获得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

该方法须要选定一个阈值，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，好比127。新的阈值产生规则以下：
$dst(x,y) = \begin{cases} threshold， if src(x,y)>thresh\\ src(x,y)，otherwise\\ \end{cases}$
(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，完整代码以下：

#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()

输出结果以下图所示：：

该处理方法至关于把图像中比较亮（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，好比127，接着对图像的灰度值进行以下处理：
$dst(x,y) = \begin{cases} 0， if src(x,y)>thresh\\ src(x,y)，otherwise\\ \end{cases}$
(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，完整代码以下：

#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()

输出结果以下图所示：

六. 阈值化为0

该方法先选定一个阈值，好比127，接着对图像的灰度值进行以下处理：
$dst(x,y) = \begin{cases} src(x,y)， if src(x,y)>thresh\\ 0，otherwise\\ \end{cases}$
(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，完整代码以下：

#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()

输出结果以下图所示：

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以下所示：

#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()

输出结果以下图所示：

但愿文章对你们有所帮助，若是有错误或不足之处，还请海涵。最近经历的事情太多，有喜有悲，关闭了朋友圈，但愿经过不断学习和写文章来忘记烦劳，将忧郁转换为动力。哎，总感受本身在感动这个世界，帮助全部人，而本身却…谁有关心秀璋？晚安。（By：Eastmount 2018-10-30 晚上10点 https://blog.csdn.net/Eastmount/）