OpenCV_PythonAPI官⽅⽂档学习_cv2ImageThresholding 官⽅官⽅⽂档
Goal
实现⽬标：
1. 在本章中，将学习简单的阈值，⾃适应的阈值，Otsu的阈值等等。
2. 学习函数  cv2.threshold, cv2.adaptiveThreshold 等。
简单阈值
我们⾯临的问题⾮常直接。如果像素值⼤于阈值，则分配给它⼀个值(可以是⽩⾊的)，它也可以分配给另⼀个值(⽐如⿊⾊等)。所使⽤的函数为cv2.threshold（）。第⼀个参数是源图像，应该是灰度图像。第⼆个参数是阈值，⽤于对像素值进⾏分类。第三个参数是maxVal，它表⽰像素值⼤于(有时⼩于)阈值时要给出的值。OpenCV提供了不同类型的阈值，它由函数的第四个参数决定。不同的类型有：
⽂档清楚地解释了每种类型的含义。想详细了解请查看官⽅⽂档。该概述会返回两个输出。第⼀个是retval ，稍后将加以解释。第⼆个输出是我们的阈值图像。
代码：
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('gradient.png',0)
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, 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.show()
要绘制多个图像，我们使⽤了plt.subplot()函数。有关更多细节，请查看Matplotlib⽂档。
结果如下图：
在本教程中，您将学习简单的阈值，⾃适应的阈值，Otsu的阈值等等。
⾃适应阈值
在上⾯的案例中，我们使⽤了⼀个全局值作为阈值。但是，在图像在不同区域有不同照明条件的情况下，这可能并不是很好。在这种情况下，我们采⽤⾃适应阈值。在此基础上，算法计算了图像的⼀个⼩区域的阈值。因此，对于同⼀幅图像的不同区域，我们得到了不同的阈值，对于光照不同的图像，
我们得到了更好的结果。
它有三个“special”输⼊参数和⼀个输出参数。
①：Adaptive Method  - 它决定如何计算阈值。
cv2.ADAPTIVE_THRESH_MEAN_C : 阈值是邻域⾯积的平均值。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：阈值是权值为⾼斯窗⼝的邻域值的加权和。
②： Block Size：它决定了邻近地区的⼤⼩。
③： c ： 它只是⼀个常数，它是从计算的平均值或加权平均数中减去的。
下⾯的代码⽐较了全局阈值和⾃适应阈值在不同光照下的图像。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('dave.jpg',0)
img = dianBlur(img,5)
ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
cv2.THRESH_BINARY,11,2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]
for i in xrange(4):
plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.show()
由上图我们可以看出：
经过阈值的设置，阴影被我们处理掉了。⽽且效果很不错。
Otsu’s ⼆值化算法
在第⼀节中，我告诉你们有⼀个第⼆个参数RATVAL。我们使⽤OTSU的⼆值化时它的使⽤。那是什么？下⾯我会给⼤家介绍。
在全局阈值中，我们使⽤任意值作为阈值，那么，我们怎么知道我们选择的价值是好的还是不好的？答案是，试错法。但是考虑双峰图像（简单地说，双峰图像是直⽅图有两个峰值的图像）。对于该图像，我们可以近似取这些峰中间的⼀个值作为阈值，这就是Otsu binarization的所作所为。因此，简单地说，它⾃动地从图像直⽅图中计算出双峰图像的阈值。（对于不是双峰的图像，⼆值化是不准确的。）
为此，我们使⽤了cv2.threshold() 函数，但是通过了额外的flag cv2.THRESH_OTSU。对于阈值，只需传递零。然后算法到最优阈值并将其作为第⼆个输出：retVal。如果不使⽤Otsu阈值，则ReVALL与所使⽤的阈值相同。
查看下⾯的⽰例。输⼊图像是⼀种噪声图像。在第⼀种情况下，我应⽤全局阈值为127。在第⼆种情况
下，我直接应⽤了Otsu的阈值。在第三种情况下，我⽤5x5⾼斯核对图像进⾏滤波以去除噪声，然后进⾏Otsu阈值处理。看看噪声过滤是如何改善结果的。
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('noisy2.png',0)
# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# plot all the images and their histograms
images = [img, 0, th1,
img, 0, th2,
blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
'Original Noisy Image','Histogram',"Otsu's Thresholding",
'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
for i in xrange(3):
plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
plt.title(titles[i*3]), icks([]), icks([])
plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
plt.title(titles[i*3+1]), icks([]), icks([])
plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
plt.title(titles[i*3+2]), icks([]), icks([])
plt.show()
Otsu是如何⼯作的？
下⾯说的是⼀些原理性的东西，它的计算过程。演⽰Otsu的⼆值化的Python实现，以说明它实际上是如何⼯作的。如果你不感兴趣，你可以跳过这个。由于我们处理的是双峰图像，Otsu算法试图到⼀个阈值(T)，该阈值(T)最⼩化了该关系给出的类内加权⽅差：
它实际上到了⼀个t的值，它位于两个峰值之间，这两个类的⽅差都是最⼩的。它可以简单地在Python中实现，如下所⽰：
img = cv2.imread('noisy2.png',0)
blur = cv2.GaussianBlur(img,(5,5),0)
# find normalized_histogram, and its cumulative distribution function
hist = cv2.calcHist([blur],[0],None,[256],[0,256])
hist_norm = hist.ravel()/hist.max()
Q = hist_norm.cumsum()
bins = np.arange(256)
fn_min = np.inf
thresh = -1
for i in xrange(1,256):
p1,p2 = np.hsplit(hist_norm,[i]) # probabilities
q1,q2 = Q[i],Q[255]-Q[i] # cum sum of classes
b1,b2 = np.hsplit(bins,[i]) # weights
# finding means and variances
m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2
v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2
# calculates the minimization function
fn = v1*q1 + v2*q2
if fn < fn_min:
fn_min = fn
thresh = i
# find otsu's threshold value with OpenCV function
ret, otsu = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
python中文文档
print thresh,ret
注：
有些函数我们现在可能还没学习，不过后边会逐渐介绍的。