python+openCV 自適應閾值分割

當圖像各局部亮度不同時，全局閾值就很難將背景和目標分割。因此提出了自適應閾值，即在圖像的不同區域採用不同的閾值進行分割。利用函數cv2.adaptiveThreshold()進行分割。

 

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

參數：

1. src:原圖像

2. maxValue:當閾值類型（thresholdType）採用cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV時像素點被賦予的新值

3. adaptiveMethod:自適應閾值的計算方法，包括兩種：

• cv2.ADPTIVE_THRESH_MEAN_C：閾值取自相鄰區域的平均值
• cv2.ADPTIVE_THRESH_GAUSSIAN_C：閾值取值相鄰區域的加權和，權重爲一個高斯窗口。

4. thresholdType:閾值分割類型，共5種，同cv2.threshold()的閾值分割類型參數，詳情見https://blog.csdn.net/weixin_42216109/article/details/89553383

5. blockSize:用來計算閾值的鄰域大小

6. C:常數，adaptiveMethod方法計算出的數值減去這個常數C就爲閾值

返回值：

1. 閾值分割後的圖像

 

e.g.

通過如下代碼對比全局閾值分割和自適應閾值分割的區別

import cv2
import matplotlib.pyplot as plt
#載入原圖
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.26.6.jpg',0)
#全局閾值分割
retval,img_global=cv2.threshold(img_original,130,255,cv2.THRESH_BINARY)
#自適應閾值分割
img_ada_mean=cv2.adaptiveThreshold(img_original,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,15,3)
img_ada_gaussian=cv2.adaptiveThreshold(img_original,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,3)
imgs=[img_original,img_global,img_ada_mean,img_ada_gaussian]
titles=['Original Image','Global Thresholding(130)','Adaptive Mean','Adaptive Guassian',]
#顯示圖片
for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(imgs[i],'gray')
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

結果顯示如下：

補充：從自適應閾值分割的結果來看，圖像中存在較多的噪聲，於是我們可以先通過函數cv2.GaussianBlur()進行噪聲去除，詳情參考https://blog.csdn.net/duwangthefirst/article/details/79971338

import cv2
import matplotlib.pyplot as plt
#載入原圖
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.26.6.jpg',0)
#高斯濾波
img_blur=cv2.GaussianBlur(img_original,(5,5),5)
#自適應閾值分割
img_thresh=cv2.adaptiveThreshold(img_original,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,3)
img_thresh_blur=cv2.adaptiveThreshold(img_blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,3)
#顯示圖像
imgs=[img_thresh,img_thresh_blur]
titles=['img_thresh','img_thresh_blur']
for i in range(2):
    plt.subplot(1,2,i+1)
    plt.imshow(imgs[i],'gray')
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

結果如下所示，可以發現噪聲數量明顯減少。