引言

圖像閾值處理是計(jì)算機(jī)視覺和圖像處理中一種非常基礎(chǔ)而重要的技術(shù)。通過閾值化操作，可以將圖像的像素值按照一定標(biāo)準(zhǔn)分為兩類，常用于圖像分割、目標(biāo)檢測(cè)、文字提取等任務(wù)。閾值處理通過設(shè)置一個(gè)閾值來區(qū)分圖像的前景與背景，對(duì)于提高圖像分析效率至關(guān)重要。

在 Python 中，OpenCV 提供了便捷的函數(shù)來實(shí)現(xiàn)各種閾值處理技術(shù)。本文將深入介紹如何在 OpenCV 中使用閾值方法進(jìn)行圖像處理，并提供一些常用的閾值技術(shù)及應(yīng)用示例。

1. 閾值處理的基本概念

圖像的閾值處理是指根據(jù)圖像的像素值與設(shè)定的閾值比較，將圖像像素分為兩類：一類是大于（或小于）閾值的像素，另一類是小于（或大于）閾值的像素。常見的圖像閾值化結(jié)果通常是二值圖像，也就是將圖像像素值限定在兩個(gè)可能的值（如0和255）。

閾值處理的目標(biāo)是通過選擇合適的閾值將圖像的前景與背景分開，從而便于后續(xù)的圖像分析任務(wù)。

2. OpenCV 中的閾值處理

在 OpenCV 中，閾值處理通過 cv2.threshold() 函數(shù)來實(shí)現(xiàn)。函數(shù)的基本語法如下：

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

• src：輸入圖像（灰度圖）。
• thresh：閾值。
• maxval：最大像素值。
• type：閾值類型，決定了如何進(jìn)行閾值處理。

根據(jù) type 參數(shù)的不同，cv2.threshold() 可以實(shí)現(xiàn)不同類型的閾值處理方法。

3. 常見的閾值類型

3.1 二值化閾值

最常見的閾值處理方法是二值化，即將大于某個(gè)閾值的像素設(shè)為最大值（通常是 255），小于閾值的像素設(shè)為最小值（通常是 0）。這種方法能夠很好的將圖像中的目標(biāo)從背景中分離出來。

import cv2

# 讀取圖像并轉(zhuǎn)換為灰度圖
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 設(shè)置閾值
thresh_value = 127

# 二值化處理
ret, binary = cv2.threshold(img, thresh_value, 255, cv2.THRESH_BINARY)

# 顯示處理后的圖像
cv2.imshow('Binary Threshold', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此代碼中，cv2.THRESH_BINARY 表示二值化閾值法，閾值大于 127 的像素變?yōu)?nbsp;255（白色），小于 127 的像素變?yōu)?nbsp;0（黑色）。

3.2 反向二值化閾值

與二值化閾值相反，反向二值化閾值將小于閾值的部分設(shè)置為最大值，大于閾值的部分設(shè)置為最小值。

ret, binary_inv = cv2.threshold(img, thresh_value, 255, cv2.THRESH_BINARY_INV)

cv2.imshow('Inverted Binary Threshold', binary_inv)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此代碼中，cv2.THRESH_BINARY_INV 表示反向二值化，將小于閾值的像素設(shè)置為 255，大于閾值的像素設(shè)置為 0。

3.3 截?cái)嚅撝?/h3>

截?cái)嚅撝祵⒋笥陂撝档牟糠衷O(shè)置為閾值本身，其他部分保持不變。截?cái)嚅撝祵?duì)于圖像細(xì)節(jié)保留有幫助，但不適用于二值化場(chǎng)景。

ret, truncated = cv2.threshold(img, thresh_value, 255, cv2.THRESH_TRUNC)

cv2.imshow('Truncated Threshold', truncated)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此代碼中，cv2.THRESH_TRUNC 會(huì)將大于閾值的像素值截?cái)酁殚撝当旧?，其他像素值不變?/p>

3.4 平滑閾值

平滑閾值會(huì)將小于閾值的像素值設(shè)置為 0，大于閾值的像素值設(shè)置為閾值本身。它通常用于對(duì)圖像進(jìn)行輕微的模糊效果。

ret, tozero = cv2.threshold(img, thresh_value, 255, cv2.THRESH_TOZERO)

cv2.imshow('ToZero Threshold', tozero)
cv2.waitKey(0)
cv2.destroyAllWindows()

在此代碼中，cv2.THRESH_TOZERO 表示將大于閾值的像素值保留，小于閾值的像素值設(shè)為 0。

4. 自適應(yīng)閾值

在一些光照不均的圖像中，使用固定閾值可能無法得到好的結(jié)果。此時(shí)，我們可以使用自適應(yīng)閾值技術(shù)，它會(huì)根據(jù)圖像的局部區(qū)域自動(dòng)態(tài)調(diào)整閾值。OpenCV 提供了 cv2.adaptiveThreshold() 函數(shù)來實(shí)現(xiàn)自適應(yīng)閾值處理。

adaptive_thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

cv2.imshow('Adaptive Threshold', adaptive_thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

在這里，cv2.ADAPTIVE_THRESH_MEAN_C 表示計(jì)算鄰域區(qū)域像素的均值作為閾值，11 是鄰域區(qū)域的大小，2 是常數(shù)。

5. Otsu’s 閾值法

Otsu 的閾值法是一種自動(dòng)選擇最佳閾值的方法，它通過最大化類間方差來進(jìn)行閾值選擇，適用于圖像灰度直方圖呈現(xiàn)雙峰特征的圖像。在 OpenCV 中，可以通過 cv2.THRESH_OTSU 來啟用 Otsu 閾值方法。

ret, otsu_thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

cv2.imshow('Otsu Thresholding', otsu_thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

Otsu 的閾值法是根據(jù)圖像的像素分布自動(dòng)計(jì)算最佳的分割閾值，通常用于背景和前景對(duì)比明顯的圖像。

6. 閾值處理的應(yīng)用場(chǎng)景

閾值處理廣泛應(yīng)用于以下領(lǐng)域：

• 圖像分割：將前景從背景中分離，常用于目標(biāo)識(shí)別、圖像分析等任務(wù)。
• 文檔分析：提取文檔中的文本區(qū)域，進(jìn)行 OCR（光學(xué)字符識(shí)別）處理。
• 物體檢測(cè)：檢測(cè)圖像中某些特定的物體或形狀。
• 醫(yī)學(xué)影像分析：通過分割不同類型的組織或器官，輔助醫(yī)生診斷。

7. 總結(jié)

圖像閾值處理是圖像處理中非常基礎(chǔ)且重要的一步，能夠?qū)D像分為兩類（前景與背景），從而為后續(xù)的圖像分析和處理提供良好的基礎(chǔ)。OpenCV 提供了多種閾值處理方法，包括常規(guī)的二值化、反向二值化、截?cái)唷⑵交撝捣ㄒ约白赃m應(yīng)閾值和 Otsu’s 閾值法。選擇合適的閾值處理方法將大大提高圖像分析的精度和效率。在實(shí)際應(yīng)用中，根據(jù)不同的圖像特性選擇合適的閾值方法，是圖像處理中的重要一步。

以上就是Python OpenCV使用閾值方法進(jìn)行圖像處理的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV圖像閾值處理的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論