03篇--二值化与自适应二值化

二值化

定义

何为二值化？顾名思义，就是将图像中的像素值改为只有两种值，黑与白。此为二值化。

二值化操作的图像只能是灰度图，意思就是二值化也是一个二维数组，它与灰度图都属于单信道，仅能表示一种色调。而二值化表示的是 极致的黑 与 极致的白。

如何设置二值化

1.阈值法(THRESH_BINARY)

通过设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小于等于阈值的像素就被设置为0（黑），大于阈值的像素就被设置为maxval（白）。        

原理代码如下： 

import cv2
import numpy as np# 读取彩色图
img = cv2.imread("./flower.png")# 先转换成灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)img_binary = np.zeros_like(img_gray)# 设置一个阈值
thresh = 127# 遍历灰度图的每一个像素点
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i][j] <= thresh:img_binary[i, j] = 0else:img_binary[i, j] = 255cv2.imshow('image', img)
cv2.imshow('image_gray', img_gray)
cv2.imshow('image_binary', img_binary)
cv2.waitKey(0)

效果如下：

 

 2.反阈值法(THRESH_BINARY_INV)

与阈值法相反。反阈值法是当灰度图的像素值大于阈值时，该像素值将会变成0（黑），当灰度图的像素值小于等于阈值时，该像素值将会变成maxval（白）。

原理代码：

跟上面阈值法的代码一样，只是把 >= 换成 <= ，将筛选对象调换即可

 

将阈值法与反阈值法的处理结果对比，可以发现，两者的黑白色调刚好相反

3.截断阈值法(THRESH_TRUNC)：

指将灰度图中的所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈值，小于等于阈值的部分不变。换句话说，经过截断阈值法处理过的二值化图中的最大像素值就是阈值。

4.低阈值零处理(THRESH_TOZERO)

就是像素值小于等于阈值的部分被置为0（也就是黑色），大于阈值的部分不变。

5.超阈值零处理(THRESH_TOZERO_INV)

就是将灰度图中的每个像素与阈值进行比较，像素值大于阈值的部分置为0（也就是黑色），像素值小于等于阈值的部分不变。

6.OTSU阈值法(THRESH_OTSU)

在介绍OTSU阈值法之前，我们首先要了解一下双峰图片的概念。

双峰图片就是指灰度图的直方图上有两个峰值，直方图就是对灰度图中每个像素值的点的个数的统计图，如下图所示。

OTSU算法是通过一个值将这张图分前景色和背景色（也就是灰度图中小于这个值的是一类，大于这个值的是一类），通过统计学方法（最大类间方差）来验证该值的合理性，当根据该值进行分割时，使用最大类间方差计算得到的值最大时，该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算，直到灰度图中的最大像素值减1，然后把得到的最大类间方差值进行比较，来得到二值化的阈值。具体实现过程，我们不用考虑，直接调用即可。

threshold函数

上述方法只是介绍其原理，在opencv库中这些方法都已经被封装好了，我们只需要调用这些接口即可，并不需要我们手动实现。通过threshold函数来调用，具体介绍如下：

功能：用于对图像进行二值化处理

参数：

• src: 输入图像，这应该是一个灰度图像（即单通道图像）。如果你有一个彩色图像，你需要先使用 cv2.cvtColor() 将其转换为灰度图。
• thresh: 阈值，用于将像素划分为两部分。这个值是一个浮点数或整数，取决于图像的数据类型。
• maxVal: 最大值，用于设置高于阈值的像素值。这个值通常是一个整数，表示你想要将高于阈值的像素设置为的具体数值。
• type: 阈值类型，这是一个标志，用于指定如何应用阈值。OpenCV 提供了几种不同的阈值类型，如 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV。
• dst: 输出图像，与输入图像具有相同的大小和类型。这是一个可选参数，如果不提供，函数会创建一个新的图像来存储二值化结果。（一般不会设置这个参数）

函数返回值：

• ret: 实际使用的阈值。在某些情况下（如使用 cv2.THRESH_OTSU 或 cv2.THRESH_TRIANGLE 标志时），这个值可能会与输入的 thresh 不同。（因为这两个算法会自动计算阈值，从而覆盖掉你所设置的阈值）
• dst: 二值化后的图像。

代码示例

import cv2# 读取彩色图
img = cv2.imread("./flower.png")# 先转换成灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用cv2的二值化函数
ret, img_binary = cv2.threshold(img_gray, 200, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(ret)      # 使用的阈值，可能不是你设定的阈值cv2.imshow('image', img)
cv2.imshow('image_gray', img_gray)
cv2.imshow('image_binary', img_binary)
cv2.waitKey(0)

自动化二值化

与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理，这时候传统的二值化算法就无法满足我们的需求了，于是就出现了自适应二值化。

adaptiveThreshold函数

自适应二值化方法会对图像中的所有像素点计算其各自的阈值，这样能够更好的保留图片里的一些信息。通过adaptiveThreshold函数调用

功能：对图像应用自适应阈值处理。

参数：

• src: 输入图像，必须为灰度图像。
• maxValue: 超过或等于阈值的像素值被赋予的值。它可以是任意数值，但通常设置为 255（表示白色）。
• adaptiveMethod: 自适应阈值算法的选择。有两种选择：
  • cv2.ADAPTIVE_THRESH_MEAN_C：计算邻域的平均值，然后从平均值中减去常数 C。
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：计算邻域像素的加权和（使用高斯窗口），然后从加权和中减去常数 C。
• thresholdType: 阈值类型，与固定阈值函数 cv2.threshold() 相同。通常是 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。
• blockSize: 用于计算阈值的邻域大小（必须是奇数）也就是核。
• C: 从计算出的平均值或加权和中减去的常数。

import cv2# 读取彩色图
img = cv2.imread("./lena.png")# 先转换成灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用自适应二值化函数
img_adaptive = cv2.adaptiveThreshold(img_gray,   # 参数1 灰度图255,    # 参数2 最大值cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # 参数3 自适应方法cv2.THRESH_BINARY,  # 参数4 二值化类型7,  # 参数5 核的大小5   # 参数6 计算的阈值减去这个常数是最终阈值)
cv2.imshow('image', img)
cv2.imshow('image_gray', img_gray)
cv2.imshow('image_adaptive_binary', img_adaptive)
cv2.waitKey(0)