图像阈值操作
图像阈值操作
目的是从灰度图像中分离出目标区域和背景区域
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，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。
threshold函数
去掉噪，例如过滤很小或很大像素值的图像点。
retval, dst = cv.threshold( src, thresh, maxval, type[, dst] )
参数说明：
src：原图像。
dst：结果图像。
thresh：当前阈值。
maxVal：最大阈值，一般为255.
thresholdType:阈值类型，主要有下面几种：
| 编号 | 阈值类型枚举 |
|---|---|
| 1 | THRESH_BINARY |
| 2 | THRESH_BINARY_INV |
| 3 | THRESH_TRUNC |
| 4 | THRESH_TOZERO |
| 5 | THRESH_TOZERO_INV |
| 6 | THRESH_MASK |
| 7 | THRESH_OTSU |
| 8 | THRESH_TRIANGLE |
返回值:
retval： 与参数thresh一致
dst： 结果图像
THRESH BINARY：二进制阈值，。在运用该阈值类型的时候，先要选定一个特定的阈值量，比如：125，这样，新的阈值产生规则可以解释为大于125的像素点的灰度值设定为最大值255，灰度值小于125的像素点的灰度值设定为0。 (value>threshold?255:0)
THRESH BINARY INV：反二进制阈值。设定一个初始阈值如125，则大于125的设定为0，而小于该阈值的设定为255。 (value>threshold?0:255)
THRESH TRUNC：截断阈值。同样首先需要选定一个阈值，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。（例如：阈值选取为125，那小于125的阈值不改变，大于125的灰度值（230）的像素点就设定为该阈值）。 (value>threshold?threshold:value)
THRESH TOZERO:阈值化为0。先选定一个阈值，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。 (value>threshold?value:0)
THRESH TOZERO INV：反阈值化为0。原理类似于0阈值，但是在对图像做处理的时候相反，即：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。 (value>threshold?0:value)
【注意】
THRESH_OTSU和THRESH_TRIANGLE是作为优化算法配合THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO以及THRESH_TOZERO_INV来使用的。
当使用了THRESH_OTSU和THRESH_TRIANGLE两个标志时，输入图像必须为单通道。
%matplotlib inline
from matplotlib import pyplot as plt
import cv2
import numpy as np
img = cv2.imread("threshold.png", cv2.IMREAD_GRAYSCALE)
# threshold , maxValue
thresh = 127
maxValue = 255
# Basic threshold example
th, dst = cv2.threshold(img, thresh, maxValue, cv2.THRESH_BINARY);
_, dst_inv = cv2.threshold(img, thresh, maxValue, cv2.THRESH_BINARY_INV)
img_all = np.hstack([img, dst, dst_inv])
plt.figure(figsize=(16,6))
plt.imshow(img_all, cmap=plt.cm.gray)
plt.show()
自适应阈值化函数 adaptiveThreshold
区域（局部）自适应二值化 计算大概过程是为每一个象素点单独计算的阈值，即每个像素点的阈值都是不同的，就是将该像素点周围B*B区域内的像素加权平均，然后减去一个常数C，从而得到该点的阈值。
通过某个像素的邻域以某种方法确定这个像素应该具有的阈值，进而保证图像中各个像素的阈值会随着周期围邻域块的变化而变化。在灰度图像中，灰度值变化明显的区域往往是物体的轮廓，所以将图像分成一小块一小块的去计算阈值往往会得出图像的轮廓。
- 局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。优势：
- 在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。
- 亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。
- 不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
常用的局部自适应阈值有：1）局部邻域块的均值；2）局部邻域块的高斯加权和。
dst = cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
- src: 要二值化的灰度图
- dst: 二值化后的图
- maxValue: 二值化后要设置的那个值
- adaptiveMethod: 块计算的方法（ADAPTIVE_THRESH_MEAN_C 平均值，ADAPTIVE_THRESH_GAUSSIAN_C 高斯分布加权和）
- ADAPTIVE_THRESH_MEAN_C，为局部邻域块的平均值。该算法是先求出块中的均值，再减去常数C。
- ADAPTIVE_THRESH_GAUSSIAN_C ，为局部邻域块的高斯加权和。该算法是在区域中（x，y）周围的像素根据高斯函数按照他们离中心点的距离进行加权计算， 再减去常数C。
- thresholdType: 二值化类型（THRESH_BINARY 大于为最大值，THRESH_BINARY_INV 小于为最大值）
- blockSize: 块大小（奇数，大于1）
- delta: （常数C）差值（负值也可以)
src Source 8-bit single-channel image.
dst Destination image of the same size and the same type as src.
maxValue Non-zero value assigned to the pixels for which the condition is satisfied
adaptiveMethod Adaptive thresholding algorithm to use, see AdaptiveThresholdTypes. The BORDER_REPLICATE | BORDER_ISOLATED is used to process boundaries.
thresholdType Thresholding type that must be either THRESH_BINARY or THRESH_BINARY_INV, see ThresholdTypes.
blockSize Size of a pixel neighborhood that is used to calculate a threshold value for the pixel: 3, 5, 7, and so on.
C Constant subtracted from the mean or weighted mean (see the details below). Normally, it is positive but may be zero or negative as well.
【举个例子】如果使用平均值方法，平均值mean为190，差值delta为30。那么灰度小于160的像素为0，大于等于160的像素为255。
如果是反向二值化，
%matplotlib inline
from matplotlib import pyplot as plt
import cv2
import numpy as np
img = cv2.imread("threshold.png", cv2.IMREAD_GRAYSCALE)
threshold = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 15, 5)
img_all = np.hstack([img, threshold])
plt.figure(figsize=(10,6))
plt.imshow(img_all, cmap=plt.cm.gray)
plt.show()
最大类间方差阈值化 thresholding.otsu
thresholding.otsu(src)
Otsu’s Binarization是一种基于直方图的二值化方法，它需要和threshold函数配合使用。
Otsu过程：
- 计算图像直方图；
- 设定一阈值，把直方图强度大于阈值的像素分成一组，把小于阈值的像素分成另外一组；
- 分别计算两组内的偏移数，并把偏移数相加；
- 把0~255依照顺序多为阈值，重复1-3的步骤，直到得到最小偏移数，其所对应的值即为结果阈值。
Otsu’s自己找到一个认为最好的阈值, 并且Otsu’s非常适合于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。
图像Riddler-Calvard阈值化处理
thresholding.rc(src)
#最大类间方差法
%matplotlib inline
from matplotlib import pyplot as plt
import cv2
import numpy as np
import mahotas
#载入图像
img = cv2.imread("dark.jpg")
# 对图像进行高斯滤波 将原图像转化为灰度图像
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯滤波
blurred = cv2.GaussianBlur(img,(5,5),0)
#Otsu's threshold法
# 最大类间方差法求阈值，T为阈值
T = mahotas.thresholding.otsu(blurred)
# 打印阈值
print("Otsu's threshold:%d" %(T))
# 复制图像:image(矩阵)
thresh = img.copy()
# 矩阵thresh中>T的值赋值为255
thresh[thresh >T] = 255
# 矩阵thresh中<255的值赋值为0
thresh[thresh < 255] = 0
# thresh取反
thresh = cv2.bitwise_not(thresh)
# Riddler-Calvard方法
# 用Riddler-Calvard法求阈值
T_RC = mahotas.thresholding.rc(blurred)
# 打印阈值
print("Riddler-Calvard:%d" %(T))
#复制图像:image(矩阵)
thresh_rc = img.copy()
#矩阵thresh中>T的值赋值为255
thresh_rc[thresh_rc >T] = 255
#矩阵thresh中<255的值赋值为0
thresh_rc[thresh_rc < 255] = 0
thresh_rc = cv2.bitwise_not(thresh_rc)
img_all = np.hstack([img, blurred, thresh, thresh_rc])
plt.figure(figsize=(16,6))
plt.imshow(img_all, cmap=plt.cm.gray)
plt.show()
