利用python opencv实现图像自适应二值化

【译者的话】最近在做一些图像处理方面的工作，发现对手机拍照的照片进行预处理确实有很多问题，首当其冲的就是实现不同光照条件下自适应的二值化处理，正好找到了这样一篇文章讲到了较为简单的方法，翻译出来给大家共享。原文出自Adaptive Thresholding，发表于2015年1月21日。

对灰度图像利用阈值得到一个二值化的图像，是常最常用的图像处理技术之一。例如，灰度大于127的图像设置为1、小于127的设置为0，这种处理便是固定阈值127的二值化处理。

自适应的二值化处理不同于固定阈值的处理，每个像素的阈值依赖于其邻近的像素灰度，为了得到(x,y)点的阈值T(x,y)，我们需要进行以下处理。

1. 在此像素周边选取一个bxb的区域，其中了是用户指定的。
2. 计算此bxb区域的加权平均值。OpenCV提供了两种方法计算此加权均值，一种是算术平均法，另一种是高斯加权平均法，后者要计算均值时距离区域中心越近权重越大。我们将得到的加权均值计为WA(x,y)
3. 将上述加权均值与一固定参数相减得到阈值T(x,y)，此固定参数设为param1，则(x,y)点的阈值可以用下式进行计算：
   T(x,y)=WA(x,y)-param1

这便是得到阈值的过程，下面我们在利用OpenCV库编程实现固定阈值和自适应阈值的方法，我将在IPython环境下实现。

导入必要的模块

%pylab
import cv2

读取图像

读取图像，并把图像转换为灰度图像并显示之。

im = imread("/home/bikz05/Desktop/image.jpg")
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
axis("off")
title("Input Image")
imshow(im_gray, cmap="gray")
show()

固定阈值二值化

我们首先进行固定阈值二值化处理，固定阈值二值化处理利用cv2.threshold函数，此函数的原型为：

cv2.threshold(src, thresh, maxval, type[, dst]) -> retval, dst

其中:

1. src 为输入图像；
2. thresh 为阈值；
3. maxval 为输出图像的最大值；
4. type 为阈值的类型；
5. dst 为目标图像。

此例中我们将阈值设置为50，阈值类型为cv2.THRESH_BINARY，则灰度在大于50的像素其值将设置为255，其它像素设置为0。

retval, im_at_fixed = cv2.threshold(im_gray, 50, 255, cv2.THRESH_BINARY) 
axis("off") 
title("Fixed Thresholding")
imshow(im_at_fixed, cmap = 'gray') 
show()

效果如下：

算术平法的自适应二值化

算术平均法的自适应二值化利用cv2.adaptiveThreshold实现，此函数的原型为：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

其中：

1. src 为输入图像；
2. maxval 为输出图像的最大值；
3. adaptiveMethod 设置为cv2.ADAPTIVE_THRESH_MEAN_C表示利用算术均值法，设置为cv2.ADAPTIVE_THRESH_GAUSSIAN_C表示用高斯权重均值法；
4. thresholdType: 阈值的类型；
5. blockSize: b的值；
6. C 为从均值中减去的常数，用于得到阈值；
7. dst 为目标图像。

此例中我们将b设置为5，常数设置为10。

im_at_mean = cv2.adaptiveThreshold(im_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 10)
axis("off")
title("Adaptive Thresholding with mean weighted average")
imshow(im_at_mean, cmap = 'gray') 
show()

得到的结果如下图所示：

高斯加权均值法自适应二值化

高斯加权均值法自适应二值化也是利用cv2.adaptiveThreshold， 此函数的原型与上述相同：

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

其中：

1. src 为输入图像；
2. maxval 为输出图像的最大值；
3. adaptiveMethod 设置为cv2.ADAPTIVE_THRESH_MEAN_C表示利用算术均值法，设置为cv2.ADAPTIVE_THRESH_GAUSSIAN_C表示用高斯权重均值法；
4. thresholdType: 阈值的类型；
5. blockSize: b的值；
6. C 为从均值中减去的常数，用于得到阈值；
7. dst 为目标图像。

im_at_mean = cv2.adaptiveThreshold(im_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 7)
axis("off")
title("Adaptive Thresholding with gaussian weighted average")
imshow(im_at_mean, cmap = 'gray') 
show()

处理结果如下：

就这么简单，显然自适应方法要比固定阈值的方法效果更好。