【OpenCV实现图像阈值处理】

概要

OpenCV库中的图像处理技术，主要分为几何变换、图像阈值调整和平滑处理三个部分。

在几何变换方面，OpenCV提供了cv.warpAffine和cv.warpPerspective函数，用于实现仿射变换和透视变换。这些技术包括缩放、平移、旋转等，通过变换矩阵的运用，可以实现图像的各种变换操作。

图像阈值调整是将图像的像素值按照一定规则进行二值化处理，OpenCV提供了cv.threshold函数，支持多种阈值处理类型，如二值化、反二值化、截断、阈值以下置零等。还有自适应阈值调整，它可以根据图像的局部特性动态调整阈值，适用于光照不均匀的情况。

另外，介绍了大津（Otsu’s）阈值法，该方法是一种自动确定全局阈值的技术。通过计算图像的直方图，找到最佳阈值，实现图像的二值化处理。

简单阈值调整

简单的阈值调整，自适应阈值和大津阈值法。
函数 cv.threshold 和 cv.adaptiveThreshold

在图像处理中，阈值调整是一种基本技术。其核心思想是对图像的每个像素应用相同的阈值规则，如果像素值低于阈值，就将其设置为0，反之则设置为最大值。OpenCV提供了用于阈值调整的函数cv.threshold。该函数的第一个参数是源图像，必须是灰度图像；第二个参数是阈值，用于区分像素值；第三个参数是最大值，当像素值超过阈值时，会被设置为这个值。OpenCV还提供了不同的阈值调整类型，通过第四个参数来选择。常用的阈值调整类型包括：

cv.THRESH_BINARY：超过阈值的像素值设为最大值，其他设为0。
cv.THRESH_BINARY_INV：超过阈值的像素值设为0，其他设为最大值。
cv.THRESH_TRUNC：超过阈值的像素值设为阈值，其他像素值不变。
cv.THRESH_TOZERO：超过阈值的像素值不变，其他设为0。
cv.THRESH_TOZERO_INV：超过阈值的像素值设为0，其他不变。
1
2
3
4
5

这些类型的具体应用可以根据需求选择。cv.threshold函数返回两个输出：第一个是使用的阈值，第二个是阈值化后的图像。选择合适的阈值调整类型和阈值参数可以有效地处理图像，提取出感兴趣的信息。详细了解每种类型的使用场景，可以参考OpenCV的相关文档以获取更多信息。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

# 读取灰度图像
img = cv.imread('img.png', 0)

# 使用cv.threshold进行阈值调整，得到不同类型的阈值化图像
ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)

# 设置图像标题
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']

# 将图像和标题放入列表中
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

# 使用for循环显示图像和标题
for i in range(6):
    plt.subplot(2, 3, i + 1)  # 2行3列的子图中的第i+1个
    plt.imshow(images[i], 'gray', vmin=0, vmax=255)  # 显示灰度图像，灰度范围0-255
    plt.title(titles[i])  # 设置子图标题
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴

# 显示图像
plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

我们使用 plt.subplot() 函数来排列图像。
这段代码输出这个结果。

自适应阈值调整

在图像处理中，使用全局阈值可能不适用于所有情况。例如，当图像在不同区域具有不同的光照条件时，使用固定阈值可能导致不准确的结果。为了解决这个问题，我们可以采用自适应阈值调整的方法。这种方法根据像素周围的小区域确定每个像素的阈值，因此，同一张图像的不同区域可以获得不同的阈值，从而更好地适应图像中的光照变化。

在OpenCV中，cv.adaptiveThreshold函数用于实现自适应阈值调整。该函数接受三个主要参数：

adaptiveMethod： 它决定了阈值如何被计算。
    cv.ADAPTIVE_THRESH_MEAN_C：阈值是邻域像素的平均值减去常数C。
    cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是邻域像素的高斯加权平均值减去常数C。

blockSize： 它指定了邻域的大小。该值定义了算法在图像中寻找阈值时所考虑的像素邻域范围。

C： 它是一个常数，用于从计算得到的阈值中减去，可以调整阈值的灵敏度。
1
2
3
4
5
6
7

通过调整这些参数，我们可以更精确地适应不同区域的光照变化，从而得到更准确的图像处理结果。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('img.png', 0)
img = cv.medianBlur(img, 5)

ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
th2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, \
                          cv.THRESH_BINARY, 11, 2)
th3 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, \
                          cv.THRESH_BINARY, 11, 2)

titles = ['Original Image', 'Global Thresholding (v = 127)',
          'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']

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])

    plt.xticks([]),plt.yticks([])

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

大津(Otsu’s)阈值法

在全局阈值调整中，我们必须手动选择一个适当的阈值来将图像分为目标和背景。然而，在某些情况下，我们无法确定最佳的阈值，尤其是当图像具有复杂的光照变化或噪声时。在这种情况下，使用大津（Otsu）阈值法是一个更好的选择。

大津阈值法适用于具有双峰直方图（即具有两个明显峰值）的图像。在这种情况下，图像的直方图将具有两个主要的峰值，分别代表目标和背景像素的灰度级别。大津方法的目标是找到一个最佳的阈值，将这两个峰值之间的灰度级别作为分割点。

在OpenCV中，我们使用cv.threshold()函数，并将cv.THRESH_OTSU作为阈值类型的额外参数传递。大津算法会自动确定最佳阈值，并将其作为函数的返回值。这样，我们就不需要手动选择阈值，而是依赖算法找到最适合的分割点，使图像的分割更准确。

import cv2 as cv

import numpy as np

from matplotlib import pyplot as plt

img = cv.imread('img.png',0)

# 全局阈值

ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

# Otsu's

ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

# 高斯后Otsu's

blur = cv.GaussianBlur(img,(5,5),0)

ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

# 展示所有图片

images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]

titles = ['Original Noisy Image','Histogram','Global Thresholding(v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]

for i in range(3):

    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')

    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])

    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)

    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])

    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')

    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

Otsu’s 二值化是如何工作的

Otsu’s二值化算法是一种自动确定图像阈值的方法。该算法的目标是找到一个阈值 tt，使得将图像的灰度级别分为两个类别（背景和前景），并且这两个类别的内部方差最小。

在具体实现中，我们首先计算图像的直方图，该直方图显示了不同灰度级别的像素数量。接着，算法尝试在直方图中找到两个主要的峰值，这两个峰值分别代表了背景和前景像素的灰度级别。然后，Otsu’s算法尝试选择一个阈值 tt，将这两个峰值之间的灰度级别作为分割点。

为了选择最佳的阈值 tt，算法将尝试所有可能的阈值，并计算对应的两个类别的内部方差。内部方差越小，说明两个类别之间的差异越小，图像分割得越好。最终，选择使内部方差最小的阈值 tt 作为最佳阈值，将图像二值化。

这种方法的核心思想是通过寻找使得两个类别差异最小的阈值，实现图像的自动分割。对于了解过线性规划或神经网络的人来说，这个思想可能更容易理解。

import cv2 as cv
import numpy as np
img = cv.imread('img.png',0)
blur = cv.GaussianBlur(img,(5,5),0)

# 求归一化直方图及其累积分布函数

hist = cv.calcHist([blur],[0],None,[256],[0,256])
hist_norm = hist.ravel()/hist.sum()
Q = hist_norm.cumsum()

bins = np.arange(256)

fn_min = np.inf
thresh = -1

for i in range(1,256):

    p1,p2 = np.hsplit(hist_norm,[i]) # 概率

    q1,q2 = Q[i],Q[255]-Q[i] # 类型总和

    if q1 < 1.e-6 or q2 < 1.e-6:

        continue

    b1,b2 = np.hsplit(bins,[i]) # weights

    # 寻找均值和方差

    m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2

    v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2

    # 计算最小化函数

    fn = v1*q1 + v2*q2

    if fn < fn_min:

        fn_min = fn

        thresh = i

# 使用 OpenCV 函数找到 otsu 的阈值

ret, otsu = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

print( "{} {}".format(thresh,ret) )
# 显示原始图像和Otsu's 二值化结果
cv.imshow('Original Image', img)
cv.imshow('Otsu Thresholding', otsu)
cv.waitKey(0)
cv.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54