❮ OpenCV Python 调整图像大小和旋转图像 OpenCV Python 图像过滤 ❯

OpenCV Python - 图像阈值

更新于 2024/2/3 13:21:00

在数字图像处理中，阈值处理是基于像素强度的阈值创建二值图像的过程。阈值处理将前景像素与背景像素分开。

OpenCV 提供函数来执行简单和自适应 的阈值。

在简单的阈值化中，所有值小于阈值的像素都设置为零，其余为最大像素值。这是最简单的阈值处理形式。

cv2.threshold() 函数具有以下定义。

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

参数

图像阈值化的参数如下 −

Src: 输入数组。
Dst:相同大小的输出数组。
Thresh: 阈值。
Maxval:最大值。
Type: 阈值类型。

阈值类型

其他类型的阈值列举如下 −

Sr.No	类型 & 函数
1	cv.THRESH_BINARY dst(x,y) = maxval if src(x,y)>thresh 0 otherwise
2	cv.THRESH_BINARY_INV dst(x,y)=0 if src(x,y)>thresh maxval otherwise
3	cv.THRESH_TRUNC dst(x,y)=threshold if src(x,y)>thresh src(x,y) otherwise
4	cv.THRESH_TOZERO dst(x,y)=src(x,y) if src(x,y)>thresh 0 otherwise
5	cv.THRESH_TOZERO_INV dst(x,y)=0 if src(x,y)>thresh src(x,y)otherwise

根据下图，这些阈值类型导致对输入图像的操作 −

threshold() 函数返回使用的阈值和阈值图像。

以下程序通过将阈值设置为 127，从原始图像生成灰度值梯度从 255 到 0 的二值图像。

示例

使用 Matplotlib 库并排绘制原始和结果阈值二进制图像。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('gradient.png',0)
ret,img1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

plt.subplot(2,3,1),plt.imshow(img,'gray',vmin=0,vmax=255)
plt.title('Original')
plt.subplot(2,3,2),plt.imshow(img1,'gray',vmin=0,vmax=255)
plt.title('Binary')
plt.show()

输出

自适应阈值化根据像素周围的小区域确定像素的阈值。因此，对于同一图像的不同区域获得了不同的阈值。这为具有不同亮度的图像提供了更好的结果。

cv2.adaptiveThreshold() 方法采用以下输入参数 −

cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst] )

adaptiveMethod 具有以下枚举值 −

cv.ADAPTIVE_THRESH_MEAN_C − 阈值是邻域面积的平均值减去常数C。
cv.ADAPTIVE_THRESH_GAUSSIAN_C − 阈值是邻域值减去常数C的高斯加权和。

示例

在下面的示例中，原始图像 (messi.jpg 应用了均值和高斯自适应阈值。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('messi.jpg',0)
img = cv.medianBlur(img,5)
th1 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,\
   cv.THRESH_BINARY,11,2)
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,\
   cv.THRESH_BINARY,11,2)
titles = ['Original', 'Mean Thresholding', 'Gaussian Thresholding']
images = [img, th1, th2]
for i in range(3):
   plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

输出

使用 matplotlib 绘制原始和自适应阈值二进制图像，如下所示 −

示例

OTSU(最大类间方差)算法根据图像直方图自动确定阈值。除了 THRESH-BINARY 标志外，我们还需要传递 cv.THRES_OTSU 标志。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('messi.jpg',0)
# global thresholding
ret1,img1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu's thresholding
ret2,img2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
plt.subplot(2,2,1),plt.imshow(img,'gray',vmin=0,vmax=255)
plt.title('Original')
plt.subplot(2,2,2),plt.imshow(img1,'gray')

plt.title('Binary')
plt.subplot(2,2,3),plt.imshow(img2,'gray')
plt.title('OTSU')
plt.show()