OpenCV-Python基础教程5-阈值分割与Otsu阈值法

一、固定阈值分割

import cv2
import matplotlib.pyplot as plt

# 灰度图读入
img = cv2.imread(‘gradient.jpg‘, 0)

# 阈值分割
ret, th = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

cv2.imshow(‘thresh‘, th)
cv2.waitKey(0)

cv2.threshold()用来实现阈值分割，有4个参数：

• 参数1：要处理的原图，一般是灰度图
  
• 参数2：设定的阈值
• 参数3：最大阈值，一般是255
• 参数4：阈值的方式，主要有5种，详情：ThresholdTypes

理解这5种阈值方式：

# 应用5种不同的阈值方法
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret, th2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, th3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, th4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, th5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
titles = [‘Original‘, ‘BINARY‘, ‘BINARY_INV‘, ‘TRUNC‘, ‘TOZERO‘, ‘TOZERO_INV‘]
images = [img, th1, th2, th3, th4, th5]

# 使用Matplotlib显示
# 两行三列图
for i in range(6):
    plt.subplot(2, 3, i + 1)
    plt.imshow(images[i], ‘gray‘)
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.show()

固定阈值将整幅图片分成两类值，它并不适用于明暗分布不均的图片。而cv2.adaptiveThreshold()自适应阈值会每次取图片的一小部分计算阈值。这样图片不同区域的阈值就不尽相同。

# 自适应阈值对比固定阈值
img = cv2.imread(‘sudoku.jpg‘, 0)

# 固定阈值
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 自适应阈值
th2 = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)
th3 = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, 6)

titles = [‘Original‘, ‘Global(v = 127)‘, ‘Adaptive Mean‘, ‘Adaptve Gaussian‘]
images = [img, th1, th2, th3]

for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], ‘gray‘)
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.show()

cv2.adaptiveThreshold()的5个参数：

• 参数1：要处理的原图
• 参数2：最大阈值，一般为255
• 参数3：小区域阈值的计算方式

　　　　ADAPTIVE_THRESH_MEAN_C：小区域内取均值

　　　　ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是高斯核

• 参数4：阈值方式（上面提到的那5种）
• 参数5：小区域的面积，如11就是11 * 11的小块
• 参数6：最终阈值等于小区域计算出的阈值再减去此值

原文地址：https://www.cnblogs.com/gezhuangzhuang/p/10292389.html