Mahotas - 图像阈值处理

更新于 2025/3/27 7:07:17

图像阈值处理是一种基于像素强度将感兴趣区域与背景分离的技术。它涉及设置阈值，将图像划分为前景和背景。

强度高于阈值的像素被归类为前景，而强度低于阈值的像素被归类为背景。

这种二元分离允许进一步分析，例如对象检测、分割或特征提取。图像阈值处理可应用于各种类型的图像，包括灰度图像和彩色图像，以简化后续处理和分析任务。

使用图像阈值处理涉及选择适当的阈值并将其应用于图像。可以使用各种阈值处理技术计算阈值。

阈值处理方法的选择取决于图像属性、噪声水平和期望结果等因素。

在这里，我们简要讨论了每种技术。后面的章节将讨论更深入的信息。

让我们看看在 mahotas − 中可以实现的每种阈值技术

Bernsen 阈值

Bernsen 阈值是一种阈值技术，用于将灰度图像中的前景与背景分开。它根据每个像素周围邻域内的最大和最小像素强度计算局部阈值。

如果像素的强度更接近最大值，则将其视为前景的一部分;否则，将其视为背景的一部分。

让我们看看下面的 Bernsen 阈值图像 −

广义 Bernsen 阈值

广义 Bernsen 阈值是 Bernsen 阈值方法的改进。它考虑邻域内更广泛的像素强度，而不仅仅是最大和最小强度值。

以下图像显示广义 Bernsen 阈值图像 −

Otsu 阈值

Otsu 阈值技术自动确定最佳阈值以将前景与背景分开。

Otsu 的方法迭代检查所有可能的阈值，并选择最大化类间方差的阈值。

让我们看看下面的 Otsu 阈值图像 −

Riddler-Calvard 阈值

Riddler−Calvard 阈值还会自动确定最佳阈值。它基于前景和背景方差的加权和的最小化。

让我们看看下面的 Riddler−Calvard 阈值图像 −

软阈值

软阈值是一种用于图像去噪的技术。它将强度值小于某个阈值的像素设置为零。软阈值在降低噪声的同时保留了图像的重要结构信息。

下图显示了软阈值 −

示例

在下面的示例中，我们尝试执行上述所有阈值技术 −

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
image = mh.imread('sea.bmp', as_grey=True)
# Bernsen 阈值
bernsen = mh.thresholding.bernsen(image, 5, 5)
mtplt.imshow(bernsen)
mtplt.title('Bernsen Thresholding')
mtplt.axis('off')
mtplt.show()
# 广义伯恩森阈值
gbernsen = mh.thresholding.gbernsen(image, mh.disk(3), 10, 109)
mtplt.imshow(gbernsen)
mtplt.title('Generalized Bernsen Thresholding')
mtplt.axis('off')
mtplt.show()
# Otsu 阈值
int_image_otsu = image.astype(np.uint8)
otsu = mh.otsu(int_image_otsu)
result_image = image > otsu
mtplt.imshow(result_image)
mtplt.title('Otsu Thresholding')
mtplt.axis('off')
mtplt.show()
# Riddler-Calvard 阈值
int_image_rc = image.astype(np.uint8)
rc = mh.thresholding.rc(int_image_rc)
final_image = image > rc
mtplt.imshow(final_image)
mtplt.title('RC Thresholding')
mtplt.axis('off')
mtplt.show()
# 软阈值
soft = mh.thresholding.soft_threshold(image, np.mean(image))
mtplt.imshow(soft)
mtplt.title('Soft Thresholding')
mtplt.axis('off')
mtplt.show()