感謝原作者:what_lei
原帖地址:http://blog.csdn.net/what_lei/article/details/49159655
定義:圖像的二值化,就是將圖像上的像素點的灰度值設置爲0或255,也就是將整個圖像呈現出明顯的只有黑和白的視覺效果。
一幅圖像包括目標物體、背景還有噪聲,要想從多值的數字圖像中直接提取出目標物體,常用的方法就是設定一個閾值T,用T將圖像的數據分成兩部分:大於T的像素羣和小於T的像素羣。這是研究灰度變換的最特殊的方法,稱爲圖像的二值化(Binarization)。
簡單的閾值-(全局閾值):
Python-OpenCV中提供了閾值(threshold)函數:
cv2.threshold()
函數:第一個參數 src 指原圖像,原圖像應該是灰度圖。
第二個參數 x 指用來對像素值進行分類的閾值。
第三個參數 y 指當像素值高於(有時是小於)閾值時應該被賦予的新的像素值
第四個參數 Methods 指,不同的不同的閾值方法,這些方法包括:
•cv2.THRESH_BINARY 圖(1)
•cv2.THRESH_BINARY_INV 圖(2)
•cv2.THRESH_TRUNC 圖(3)
•cv2.THRESH_TOZERO 圖(4)
•cv2.THRESH_TOZERO_INV 圖(5)
破折線爲將被閾值化的值;虛線爲閾值
圖(1)
大於閾值的像素點的灰度值設定爲最大值(如8位灰度值最大爲255),灰度值小於閾值的像素點的灰度值設定爲0。
大於閾值的像素點的灰度值設定爲0,而小於該閾值的設定爲255。
圖(3)
像素點的灰度值小於閾值不改變,大於閾值的灰度值的像素點就設定爲該閾值。
圖(4)
像素點的灰度值小於該閾值的不進行任何改變,而大於該閾值的部分,其灰度值全部變爲0。
圖(5)
像素點的灰度值大於該閾值的不進行任何改變,像素點的灰度值小於該閾值的,其灰度值全部變爲0。
Python+opencv代碼:
- import cv2
- import numpy as np
- from matplotlib import pyplot as plt
- img=cv2.imread('1.bmp')
- GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
- ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)
- ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)
- ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)
- ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)
- ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)
- titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
- images = [GrayImage, 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.xticks([]),plt.yticks([])
- plt.show()
自適應閾值:
當同一幅圖像上的不同部分的具有不同亮度時。這種情況下我們需要採用自適應閾值。此時的閾值是根據圖像上的每一個小區域計算與其對應的閾值。因此在同一幅圖像上的不同區域採用的是不同的閾值,從而使我們能在亮度不同的情況下得到更好的結果。
cv2.adaptiveThreshold()
函數:第一個參數 src 指原圖像,原圖像應該是灰度圖。
第二個參數 x 指當像素值高於(有時是小於)閾值時應該被賦予的新的像素值
第三個參數 adaptive_method 指: CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C
第四個參數 threshold_type 指取閾值類型:必須是下者之一 • CV_THRESH_BINARY,
• CV_THRESH_BINARY_INV
第五個參數 block_size 指用來計算閾值的象素鄰域大小: 3, 5, 7, ...
第六個參數 param1 指與方法有關的參數。對方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C, 它是一個從均值或加權均值提取的常數, 儘管它可以是負數。
自適應閾值: 對方法CV_ADAPTIVE_THRESH_MEAN_C,先求出塊中的均值,再減掉param1。
對方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ,先求出塊中的加權和(gaussian), 再減掉param1。
例如:
採用方法 CV_ADAPTIVE_THRESH_MEAN_C,閾值類型:CV_THRESH_BINARY, 閾值的象素鄰域大小 block_size 選取3,參數param1 取3和5時:
部分原圖像像素值 當參數param1爲7時
選取對應領域(3*3)求其均值,然後減去參數param1的值爲自適應閾值。測試時求得均值爲小數時,貌似進行四捨五入之後再減去參數param1。(可能是我沒測試準確,無聊時測試一下,共同學習)
- import cv2
- import numpy as np
- from matplotlib import pyplot as plt
- img = cv2.imread('1.bmp')
- GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
- # 中值濾波
- GrayImage= cv2.medianBlur(GrayImage,5)
- ret,th1 = cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)
- #3 爲Block size, 5爲param1值
- th2 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
- cv2.THRESH_BINARY,3,5)
- th3 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
- cv2.THRESH_BINARY,3,5)
- titles = ['Gray Image', 'Global Thresholding (v = 127)',
- 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
- images = [GrayImage, th1, th2, th3]
- for i in xrange(4):
- plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
- plt.title(titles[i])
- plt.xticks([]),plt.yticks([])
- plt.show()