opencv⼆值化的cv2.threshold函数
（⼀）简单阈值
简单阈值当然是最简单，选取⼀个全局阈值，然后就把整幅图像分成了⾮⿊即⽩的⼆值图像了。函数为cv2.threshold()
这个函数有四个参数，第⼀个原图像，第⼆个进⾏分类的阈值，第三个是⾼于（低于）阈值时赋予的新值，第四个是⼀个⽅法选择参数，常⽤的有：
• cv2.THRESH_BINARY（⿊⽩⼆值）
• cv2.THRESH_BINARY_INV（⿊⽩⼆值反转）
• cv2.THRESH_TRUNC （得到的图像为多像素值）
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV
该函数有两个返回值，第⼀个retVal（得到的阈值值（在后⾯⼀个⽅法中会⽤到）），第⼆个就是阈值化
后的图像。
⼀个实例如下：
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)
titles = ['img','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img,thresh1,thresh2,thresh3,thresh4,thresh5]
for i in range(6):
plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.show()
可以看到这⾥把阈值设置成了127，对于BINARY⽅法，当图像中的灰度值⼤于127的重置像素值为255.
（⼆）⾃适应阈值：
前⾯看到简单阈值是⼀种全局性的阈值，只需要规定⼀个阈值值，整个图像都和这个阈值⽐较。⽽⾃适应阈值可以看成⼀种局部性的阈值，通过规定⼀个区域⼤⼩，⽐较这个点与区域⼤⼩⾥⾯像素点的平均值（或者其他特征）的⼤⼩关系确定这个像素点是属于⿊或者⽩（如果是⼆值情况）。使⽤的函数为：cv2.adaptiveThreshold（）
该函数需要填6个参数：
第⼀个原始图像
第⼆个像素值上限
第三个⾃适应⽅法Adaptive Method:
c++trunc函数— cv2.ADAPTIVE_THRESH_MEAN_C ：领域内均值
—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，权重为⼀个⾼斯窗⼝
第四个值的赋值⽅法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
第五个Block size：规定领域⼤⼩（⼀个正⽅形的领域）
第六个常数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值就是求得领域内均值或者加权值）
这种⽅法理论上得到的效果更好，相当于在动态⾃适应的调整属于⾃⼰像素点的阈值，⽽不是整幅图像都⽤⼀个阈值。
⼀个实例如下：
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,th1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2) #换⾏符号 \
th3 = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
cv2.THRESH_BINARY,11,2) #换⾏符号 \
images = [gray,th1,th2,th3]
plt.figure()
for i in range(4):
plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
plt.show()
可以看到上述窗⼝⼤⼩使⽤的为11，当窗⼝越⼩的时候，得到的图像越细。想想⼀下，如果把窗⼝设置⾜够⼤以后（不能超过图像⼤⼩），那么得到的结果可能就和第⼆幅图像的相同了。
（三）Otsu’s⼆值化
我们前⾯说到，cv2.threshold函数是有两个返回值的，前⾯⼀直⽤的第⼆个返回值，也就是阈值处理后的图像，那么第⼀个返回值（得到图像的阈值）将会在这⾥⽤到。
前⾯对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的图像
可能阈值不是127得到的效果更好。那么这⾥我们需要算法⾃⼰去寻到⼀个阈值，⽽Otsu’s就可以⾃⼰到⼀个认为最好的阈值。并且Otsu’s⾮常适合于图像灰度直⽅图具有双峰的情况，他会在双峰之间到⼀个值作为阈值，对于⾮双峰图像，可能并不是很好⽤。那么经过Otsu’s得到的那个阈值就是函数
cv2.threshold的第⼀个参数了。因为Otsu’s⽅法会产⽣⼀个阈值，那么函数cv2.threshold的的第⼆个参数（设置阈值）就是0了，并且在
cv2.threshold的⽅法参数中还得加上语句cv2.THRESH_OTSU。那么什么是双峰图像（只能是灰度图像才有），就是图像的灰度统计图中可以明显看出只有两个波峰，⽐如下⾯⼀个图的灰度直⽅图就可以是双峰图：
好了现在对这个图进⾏Otsu’s阈值处理就⾮常的好，通过函数cv2.threshold会⾃动到⼀个介于两波峰之间的阈值。⼀个实例如下：import cv2
import matplotlib.pyplot as plt
img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#简单滤波
ret1,th1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#Otsu 滤波
ret2,th2 = cv2.threshold(gray,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print(ret2)
plt.figure()
plt.subplot(221),plt.imshow(gray,'gray')
plt.subplot(222),plt.hist(gray.ravel(),256)#.ravel⽅法将矩阵转化为⼀维
plt.subplot(223),plt.imshow(th1,'gray')
plt.subplot(224),plt.imshow(th2,'gray')
print(ret2) 得到的结果为144。可以看出似乎两个结果并没有很明显差别，主要是两个阈值（127与144）太相近了，如果这两个隔得很远那么会很明显的。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。