不同阈值处理方法对于二值图像的影响

BuaaAssignments

字数统计: 1.1k阅读时长: 4 min

 2020/11/10   Share

比较不同的阈值处理方法对生成二值图像的影响

全局阈值法

opencv-python 中提供了cv.threshold 方法，可以设置将大于某一个阈值或者小于某一个阈值为临界，将其设置为0或者最大值。

第一个参数：原图像

第二个参数：阈值

第三个参数：最大值

第四个参数：阈值类型

即对于大于或者小于所设定的阈值进行的不同的处理方法类型

import cv2
import numpy as np
import matplotlib.pyplot as plt

#read image
img = cv2.imread('./shot.jpg', 0)
#thredholding with different type
ret,thresh1 = cv2.threshold(img,50,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,50,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,50,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,50,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,50,255,cv2.THRESH_TOZERO_INV)
titles = ['Original Image','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.xticks([]),plt.yticks([])
plt.show()

自适应阈值化

使用统一的全局阈值法有缺陷在于，有的图像在不同的地方有不同的光照条件，在这种条件下，自适应阈值化能够提供帮助。

opencv-python 中提供了 cv.adptiveThreshold 方法

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

其中，又提供了两种不同的阈值计算方法：

cv.ADPTIVE_THRESH_MEAN_C: 阈值为邻域的平均值减去一个常数C
cv.ADPTIVE_THRESH_GASSIAN_C: 阈值为邻域高斯加权和减去一个常数C

blockSize： 决定邻域的大小

C：常数

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('shot.jpg',0)
img = cv2.medianBlur(img,5)	#

ret,th1 = cv2.threshold(img,50,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,50,cv2.ADAPTIVE_THRESH_MEAN_C,\
            cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(img,50,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
            cv2.THRESH_BINARY,11,2)

titles = ['Original Image', 'Global Thresholding (v = 50)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]

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()

相比较全局阈值方法，可以清晰的看到，自适应阈值化不会使得图像出现大面积的目标丢失——黑色块或者白色块，局部信息的细节更加友好，虽然不会出现大面积的目标丢失，但是对于最终目标的连结性是比较差的，通常包含有许多的噪点噪声，所以对于自适应的局部特性的自适应阈值方法，最后还会进行一些噪声去除的操作，从而消除噪声，来进一步加强对于目标物体的检测。

Otsu 大律阈值法

将图像按灰度阈值分为两类，分别求出两类的均值和方差，再求出两个类之间的方差，当类之间方差比类内方差最大时，所求出的阈值T，即为所求阈值。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('shot.jpg',0)
# global thresholding
ret1,th1 = cv.threshold(img,50,255,cv.THRESH_BINARY)
# Otsu's thresholding
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=50)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding"]
for i in range(2):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()

总结

全局阈值法处理的方法较自适应阈值法，两者的区别最主要集中在噪声分布和对于均匀光照还是非均匀光照的处理上，全局阈值法适合于简单单一的均匀光照条件上进行处理，而自适应阈值法适合于不同的局部光照条件，对于细节的处理会更好，但同时也会有噪声的保留。
大律法是一种更优的阈值处理方法，能够快速有效地找到类间的分割阈值，但是缺点在于对于目标的检测是单一的，如果想要检测的目标不属于同一或者接近的灰度区域，那么将会导致想要检测的目标物体的信息丢失，反映在图片上就是会有连结信息的消失（黑色块或者白色块），但是相较于普通的全局阈值处理，效果是由明显的提升对比的。

全局阀值法	自适应阀值法	大津法

Reference：

https://docs.opencv.org/master/d7/d4d/tutorial_py_thresholding.html

Next Post

区域生长&区域分割与合成&分水岭算法
Previous Post

频率域高通低通滤波&同态滤波

CATALOG

1. 比较不同的阈值处理方法对生成二值图像的影响

