一.圖像閾值化

圖像閾值化（Binarization）旨在剔除掉圖像中一些低于或高于一定值的像素，從而提取圖像中的物體，將圖像的背景和噪聲區(qū)分開來。

灰度化處理后的圖像中，每個像素都只有一個灰度值，其大小表示明暗程度。閾值化處理可以將圖像中的像素劃分為兩類顏色，常見的閾值化算法如公式（1）所示：

當某個像素點的灰度Gray(i,j)小于閾值T時，其像素設(shè)置為0，表示黑色；當灰度Gray(i,j)大于或等于閾值T時，其像素值為255，表示白色。

在Python的OpenCV庫中，提供了固定閾值化函數(shù)threshold()和自適應(yīng)閾值化函數(shù)adaptiveThreshold()，將一幅圖像進行閾值化處理[3-4]。

二.固定閾值化處理

OpenCV中提供了函數(shù)threshold()實現(xiàn)固定閾值化處理，其函數(shù)原型如下：

dst = cv2.threshold(src, thresh, maxval, type[, dst])

– src表示輸入圖像的數(shù)組，8位或32位浮點類型的多通道數(shù)

– dst表示輸出的閾值化處理后的圖像，其類型和通道數(shù)與src一致

– thresh表示閾值

– maxval表示最大值，當參數(shù)閾值類型type選擇CV_THRESH_BINARY或CV_THRESH_BINARY_INV時，該參數(shù)為閾值類型的最大值

– type表示閾值類型

其中，threshold()函數(shù)不同類型的處理算法如表1所示。

其對應(yīng)的閾值化描述如圖1所示：

閾值化處理廣泛應(yīng)用于各行各業(yè)，比如生物學(xué)中的細胞圖分割、交通領(lǐng)域的車牌識別等。通過閾值化處理將所圖像轉(zhuǎn)換為黑白兩色圖，從而為后續(xù)的圖像識別和圖像分割提供更好的支撐作用。下面詳細講解五種閾值化處理算法。

1.二進制閾值化

該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_BINARY)。其方法首先要選定一個特定的閾值量，比如127，再按照如下所示的規(guī)則進行閾值化處理。

當前像素點的灰度值大于thresh閾值時（如127），其像素點的灰度值設(shè)定為最大值（如8位灰度值最大為255）；否則，像素點的灰度值設(shè)置為0。如閾值為127時，像素點的灰度值為163，則閾值化設(shè)置為255；像素點的灰度值為82，則閾值化設(shè)置為0。

二進制閾值化處理的Python代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度圖像處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二進制閾值化處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖2所示，左邊是小珞珞的原圖，右邊是將原圖進行二進制閾值化處理的效果圖。像素值大于127的設(shè)置為255，小于等于127設(shè)置為0。

2.反二進制閾值化

該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_BINARY_INV)。其方法首先要選定一個特定的閾值量，比如127，再按照如下所示的規(guī)則進行閾值化處理。

當前像素點的灰度值大于thresh閾值時（如127），其像素點的灰度值設(shè)定為0；否則，像素點的灰度值設(shè)置為最大值。如閾值為127時，像素點的灰度值為211，則閾值化設(shè)置為0；像素點的灰度值為101，則閾值化設(shè)置為255。

反二進制閾值化處理的Python代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度圖像處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二進制閾值化處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY_INV)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖3所示：

3.截斷閾值化

該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_TRUNC)。圖像中大于該閾值的像素點被設(shè)定為該閾值，小于或等于該閾值的保持不變，比如127。新的閾值產(chǎn)生規(guī)則如下：

比如閾值為127時，像素點的灰度值為167，則閾值化設(shè)置為127；像素點的灰度值為82，則閾值化設(shè)置為82。截斷閾值化處理的Python代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度圖像處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截斷閾值化處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TRUNC)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖4所示，圖像經(jīng)過截斷閾值化處理將灰度值處理于0至127之間。

4.閾值化為0

該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_TOZERO)。按照如下公式對圖像的灰度值進行處理。

當前像素點的灰度值大于thresh閾值時（如127），其像素點的灰度值保持不變；否則，像素點的灰度值設(shè)置為0。如閾值為127時，像素點的灰度值為211，則閾值化設(shè)置為211；像素點的灰度值為101，則閾值化設(shè)置為0。

圖像閾值化為0處理的Python代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度圖像處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#閾值化為0處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TOZERO)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖5所示，該算法把比較亮的部分不變，比較暗的部分處理為0。

5.反閾值化為0

該函數(shù)的原型為 threshold(Gray,127,255, cv2.THRESH_TOZERO_INV)。按照如下公式對圖像的灰度值進行處理。

當前像素點的灰度值大于thresh閾值時（如127），其像素點的灰度值設(shè)置為0；否則，像素點的灰度值保持不變。如閾值為127時，像素點的灰度值為211，則閾值化設(shè)置為0；像素點的灰度值為101，則閾值化設(shè)置為101。

圖像反閾值化為0處理的Python代碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度圖像處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二進制閾值化處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)

#顯示圖像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結(jié)果如圖6所示：

同樣，我們在對民族圖騰及圖像進行識別和保護時，也需要進行圖像閾值化處理。下面代碼是對比苗族服飾圖像五種固定閾值化處理的對比結(jié)果。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取圖像
img=cv2.imread('miao.png')
grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

#閾值化處理
ret,thresh1=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY)  
ret,thresh2=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY_INV)  
ret,thresh3=cv2.threshold(grayImage,127,255,cv2.THRESH_TRUNC)  
ret,thresh4=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO)  
ret,thresh5=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO_INV)

#顯示結(jié)果
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC',
'TOZERO','TOZERO_INV']  
images = [grayImage, 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.xticks([]),plt.yticks([])  
plt.show()

輸出結(jié)果如圖7所示：

三.自適應(yīng)閾值化處理

前面講解的是固定值閾值化處理方法，而當同一幅圖像上的不同部分具有不同亮度時，上述方法就不在適用。此時需要采用自適應(yīng)閾值化處理方法，根據(jù)圖像上的每一個小區(qū)域，計算與其對應(yīng)的閾值，從而使得同一幅圖像上的不同區(qū)域采用不同的閾值，在亮度不同的情況下得到更好的結(jié)果。

自適應(yīng)閾值化處理在OpenCV中調(diào)用cv2.adaptiveThreshold()函數(shù)實現(xiàn)，其原型如下所示：

dst = adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

– src表示輸入圖像

– dst表示輸出的閾值化處理后的圖像，其類型和尺寸需與src一致

– maxValue表示給像素賦的滿足條件的最大值

– adaptiveMethod表示要適用的自適應(yīng)閾值算法，常見取值包括ADAPTIVE_THRESH_MEAN_C（閾值取鄰域的平均值） 或 ADAPTIVE_THRESH_GAUSSIAN_C（閾值取自鄰域的加權(quán)和平均值，權(quán)重分布為一個高斯函數(shù)分布）

– thresholdType表示閾值類型，取值必須為THRESH_BINARY或THRESH_BINARY_INV

– blockSize表示計算閾值的像素鄰域大小，取值為3、5、7等

– C表示一個常數(shù)，閾值等于平均值或者加權(quán)平均值減去這個常數(shù)

當閾值類型thresholdType為THRESH_BINARY時，其灰度圖像轉(zhuǎn)換為閾值化圖像的計算公式如下所示：

當閾值類型thresholdType為THRESH_BINARY_INV時，其灰度圖像轉(zhuǎn)換為閾值化圖像的計算公式如下所示：

其中，dst(x,y)表示閾值化處理后的灰度值，T(x,y)表示計算每個單獨像素的閾值，其取值如下：

當adaptiveMethod參數(shù)采用ADAPTIVE_THRESH_MEAN_C時，閾值T(x,y)為blockSize×blockSize鄰域內(nèi)（x，y）減去參數(shù)C的平均值。

當adaptiveMethod參數(shù)采用ADAPTIVE_THRESH_GAUSSIAN_C時，閾值T(x,y)為blockSize×blockSize鄰域內(nèi)（x，y）減去參數(shù)C與高斯窗交叉相關(guān)的加權(quán)總和。
下面的代碼是對比固定值閾值化與自適應(yīng)閾值化處理的方法。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
import matplotlib

#讀取圖像
img = cv2.imread('miao.png')

#圖像灰度化處理
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

#固定值閾值化處理
r, thresh1 = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)  

#自適應(yīng)閾值化處理 方法一
thresh2 = cv2.adaptiveThreshold(grayImage, 255, 
cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

#自適應(yīng)閾值化處理 方法二
thresh3 = cv2.adaptiveThreshold(grayImage, 255, 
cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

#設(shè)置字體
matplotlib.rcParams['font.sans-serif']=['SimHei']

#顯示圖像
titles = ['灰度圖像', '全局閾值', '自適應(yīng)平均閾值', '自適應(yīng)高斯閾值']
images = [grayImage, thresh1, thresh2, thresh3]
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()

輸出結(jié)果如圖8所示，左上角為灰度化處理圖像；右上角為固定值全局閾值化處理圖像（cv2.threshold）；左下角為自適應(yīng)鄰域平均值分割，噪聲較多；右下角為自適應(yīng)鄰域加權(quán)平均值分割，采用高斯函數(shù)分布，其效果相對較好。

四.總結(jié)

本文主要講解了圖像閾值化處理知識，調(diào)用OpenCV的threshold()實現(xiàn)固定閾值化處理，調(diào)用adaptiveThreshold()函數(shù)實現(xiàn)自適應(yīng)閾值化處理。本文知識點將為后續(xù)的圖像處理提供良好的基礎(chǔ)。

以上就是Python圖像運算之圖像閾值化處理詳解的詳細內(nèi)容，更多關(guān)于Python圖像閾值化處理的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論