学习目标：
- 学习简单阈值,自适应阈值,Otsu’s 二值化等
- 学习函数cv2.threshold,cv2.adaptiveThreshold 等。
一、简单阈值
与名字一样,这种方法非常简单。但像素值高于阈值时,我们给这个像素赋予一个新值(可能是白色),否则我们给它赋予另外一种颜色(也许是黑色)。我们要用到的函数就是cv2.threshold，下面介绍他的参数。
- cv2.threshold（）函数中四个参数分别是原图像、阈值、最大值、阈值类型。这个函数有两个返回值,第一个为 retVal，即阈值,第二个就是阈值化之后的结果图像了。原图像应该是灰度图，阈值类型一般分为五种，如下所示：
import cv2img = cv2.imread('/home/wl/le.jpeg',0)ret,thresh = cv2.threshold(img,175,255,cv2.THRESH_BINARY)while(1): cv2.imshow('opencv',thresh) k = cv2.waitKey(1)& 0XFF if k == ord('q'): breakcv2.imwrite('/home/wl/1.jpg',thresh)cv2.destroyAllWindows() 原图：
效果图：
二、自适应阈值
在前面的部分我们使用是全局阈值,整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况,尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值,从而使我们能在亮度不同的情况下得到更好的结果。要用到的函数是cv2.adaptiveThreshold()，下面介绍其参数。
- cv2.adaptiveThreshold()共有六个参数，返回值只有一个，即阈值化之后的结果图像。
- 第一个参数是原图，应该为灰度图；
- 第二个参数是最大值；
- 第三个参数是计算阈值的方法，有两种方法：cv2.ADPTIVE_THRESH_MEAN_C:阈值取自相邻区域的平均值、cv2.ADPTIVE_THRESH_GAUSSIAN_C:阈值取值相邻区域的加权和,权重为一个高斯窗口。
- 第四个参数是取阈值类型，必须是下者之一， cv2.THRESH_BINARY或 cv2.THRESH_BINARY_INV。
- 第五个参数是block_size，指用来计算阈值的象素邻域大小: 3, 5, 7, ..
- 第六个参数是是一个常数,阈值就等于的平均值或者加权平均值减去这个常数。
import cv2img = cv2.imread('/home/wl/le.jpeg',0)thresh = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,5)while(1): cv2.imshow('opencv',thresh) k = cv2.waitKey(1)& 0XFF if k == ord('q'): breakcv2.imwrite('/home/wl/1.jpeg',thresh)cv2.destroyAllWindows() 
三、Otsu’s 二值化
在使用全局阈值时,我们就是随便给了一个数来做阈值,那我们怎么知道我们选取的这个数的好坏呢?答案就是不停的尝试。如果是一副双峰图像(简单来说双峰图像是指图像直方图中存在两个峰)呢?我们岂不是应该在两个峰之间的峰谷选一个值作为阈值?这就是 Otsu 二值化要做的。简单来说就是对一副双峰图像自动根据其直方图计算出一个阈值。(对于非双峰图像,这种方法得到的结果可能会不理想)。这里用到到的函数还是 cv2.threshold(),但是需要多传入一个参数(flag):cv2.THRESH_OTSU。这时要把阈值设为 0。然后算法会找到最优阈值,这个最值就是返回值 retVal。如果不使用 Otsu 二值化,返回的retVal 值与设定的阈值相等。
import cv2img = cv2.imread('/home/wl/le.jpeg',0)ret,thresh = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)while(1): cv2.imshow('opencv',thresh) k = cv2.waitKey(1)& 0XFF if k == ord('q'): breakcv2.imwrite('/home/wl/1.jpg',thresh)cv2.destroyAllWindows() 