全局閾值處理方法前提:當物體和背景像素的灰度分佈十分明顯時,可以用適用於整個圖像的單個(全局)閾值。即可使用全局閾值處理。
算法思路:
(1)輸入原圖,轉化爲灰度圖;
(2)對於灰度圖,爲全局閾值T0選擇一個初始估計值(本人選擇爲0~255中值127);
(3)迭代(4)(5)(6)(7)步驟,迭代次數可自行選擇;
(4)用T0分割灰度圖,將其分爲兩組像素,G1由灰度值大於T0的所有像素組成,G2由所有小於T的所有像素組成;
(5)對G1和G2的像素分別計算平均灰度值m1和m2;
(6)計算一個新的閾值:T1=1/2(m1+m2);
(7)如果T1-T0=0,則爲二值圖閾值,否則繼續迭代。
代碼如下:
import cv2 as cv
import numpy as np
# 轉灰
def rgb2gray(img):
h=img.shape[0]
w=img.shape[1]
img1=np.zeros((h,w),np.uint8)
for i in range(h):
for j in range(w):
img1[i,j]=0.144*img[i,j,0]+0.587*img[i,j,1]+0.299*img[i,j,2]
return img1
# 計算新閾值
def threshold(img,T):
h=img.shape[0]
w=img.shape[1]
G1=G2=0
g1=g2=0
for i in range (h):
for j in range (w):
if img[i,j]>T:
G1+=img[i,j]
g1+=1
else:
G2+=img[i,j]
g2+=1
m1=int(G1/g1)
m2=int(G2/g2) # m1,m2計算兩組像素均值
T0=int((m1+m2)/2) # 據公式計算新的閾值
return T0
def decide(img,T):
h=img.shape[0]
w=img.shape[1]
img1=np.zeros((h,w),np.uint8)
T0=T
T1=threshold(img,T0)
for k in range (100): # 迭代次數爲經驗值,可據實際情況選定
if abs(T1-T0)==0: # 若新閾值減舊閾值差值爲零,則爲二值圖最佳閾值
for i in range (h):
for j in range (w):
if img[i,j]>T1:
img1[i,j]=255
else:
img1[i,j]=0
break
else:
T2=threshold(img,T1)
T0=T1
T1=T2 # 變量轉換,保證if條件爲新閾值減舊閾值
return img1
image=cv.imread("D:/Testdata/grow.tif")
grayimage=rgb2gray(image)
thresholdimage=decide(grayimage,127)
cv.imshow("image",image)
cv.imshow("grayimage",grayimage)
cv.imshow("thresholdimage",thresholdimage)
cv.waitKey(0)
cv.destroyAllWindows()
實驗結果:
左圖爲原圖,右圖爲灰度圖
此圖爲二值圖
此方法爲最基本二值化圖像方法,在實際應用中會從在諸多不足,但確是閾值分割的基礎,需要了解掌握。