标签： 图像二值化

opencv python 基础入门(3): 图像阀值-(二值化) Image Binarization

什么叫图像的二值化？二值化就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0~255，在二值化后的图像中的灰度值范围是0或者255。

  • 黑色：二值化后的R = 二值化后的G = 二值化后的B = 0
  • 白色：二值化后的R = 二值化后的G = 二值化后的B = 255

一个像素点在灰度化之后的灰度值怎么转化为 0 或者255呢？比如灰度值为120，那么在二值化后到底是0还是255? 这就涉及到取一个阀值的问题。

图像二值化效果图

1、灰度化和二值化的区别

图像的二值化是将图像上的像素点的灰度值设置为0或255

图像的灰度是指在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。一般常用的是加权平均法来获取每个像素点的灰度值。

一般先将图像灰度化，然后再二值化，然后在进行边缘处理等操作

2、常用二值化方法

方法一： 取阀值为127（相当于0~255的中数），让灰度值小于等于127的变为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是缺点也是很明显的，因为这个阀值在不同的图片中均为127。但是不同的图片，他们的颜色 分布差别很大，所以用127做阀值，效果肯定是不好的。

方法二: 取阀值为计算像素点矩阵中的所有像素点的灰度值的平均值
（像素点1灰度值+…+像素点n灰度值）/ n = 像素点平均值avg
然后让每一个像素点与像素点平均值比较，小于等于avg的像素点就为0（黑色），大于avg的 为255（白色）

方法三: 使用直方图方法（也叫双峰法）来寻找阀值，直方图是图像的重要特质。直方图方法认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低谷处就是阀值所在。取到阀值之后再一 一比较就可以了。

3、自适应阀值 (adaptive thresholding)

之前文章中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。

cv2.adaptiveThreshold() 自适应阈值处理，图像不同部位采用不同的阈值进行处理
参数：
    img: 图像对象，8-bit单通道图
    maxValue:最大值
    adaptiveMethod: 自适应方法
        cv2.ADAPTIVE_THRESH_MEAN_C     ：阈值为周围像素的平均值
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C : 阈值为周围像素的高斯均值（按权重）
    threshType:
        cv2.THRESH_BINARY:     小于阈值的像素置为0，大于阈值的置为maxValuel
        cv2.THRESH_BINARY_INV:  小于阈值的像素置为maxValue，大于阈值的置为0
    blocksize: 计算阈值时，自适应的窗口大小,必须为奇数 （如3：表示附近3个像素范围内的像素点，进行计算阈值）
    C： 常数值，通过自适应方法计算的值，减去该常数值
(mean value of the blocksize*blocksize neighborhood of (x, y) minus C)；我们提供一个简单的叫做C的参数。这个值是一个从平均值中减去的整数，使我们可以微调我们的阈值

一般来说，在平均自适应阈值和高斯自适应阈值之间进行选择需要在您的最后进行一些实验。要改变的最重要的参数是邻域大小和C，即从平均值中减去的值。通过试验这个值，你将能够显着地改变你的阈值的结果。

代码示例:

def adaptive_demo():
    image = cv.imread("C:/path/to/image/doge.png")
    image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    blured = cv.GaussianBlur(image, (5, 5), 0)
    cv.imshow("Image", image)

    thresh = cv.adaptiveThreshold(blured, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY_INV, 11, 4)
    cv.imshow("mean thresh", thresh)

    thresh = cv.adaptiveThreshold(blured, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY_INV, 15, 3)
    cv.imshow("GAUSSIAN thresh", thresh)
    cv.waitKey(0)

图像自适应阀值效果图

4、奥斯二值化（Otsu’s Binarization）

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）。

代码示例:

def otsu_demo():
    img = cv.imread('C:/path/to/image/doge.png', 0)
    cv.imshow("init", img)
    # global thresholding
    ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
    cv.imshow("global thresh", th1)
    # Otsu's thresholding
    ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
    cv.imshow("Otsu's  thresh", th2)
    # Otsu's thresholding after Gaussian filtering
    blur = cv.GaussianBlur(img, (5, 5), 0)
    ret3, th3 = cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)

    cv.imshow("GAUSSIAN thresh", th3)
    cv.waitKey(0)
奥斯二值化对比效果图

5、Riddler-Calvard阈值法

Riddler-Calvard阈值法是基于直方图的二值化算法，是经典的全局阈值法，可惜OpenCV的全局阈值只支持 OTSU大律法与Triangle两种，不支持Riddler-Calvard阈值法，其实Riddler-Calvard跟OTSU与Triangle一样都是基于直方图计算得到阈值的二值化分割算法，唯一个不同的是Riddler-Calvard是基于迭代查找实现。我们可以利用Mahotas (计算机视觉和图像处理 Python 库)

Mahotas安装: pip install mahotas

代码示例:

def Riddler_demo():
    import mahotas
    image = cv.imread('C:/path/to/image/doge.png')
    cv.imshow("init", image)
    image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    blurred = cv.GaussianBlur(image, (5, 5), 0)
    T = mahotas.thresholding.rc(blurred)
    # 另一种方法找到最优值T 时要牢记Riddler-Calvard方法。
    # 使用mahotas.thresholding中的rc函数
    print("Riddler-Calvard:{}".format(T))
    thresh = image.copy()
    thresh[thresh > T] = 255
    thresh[thresh < 255] = 0
    thresh = cv.bitwise_not(thresh)
    cv.imshow("Riddler-Calvard", thresh)
    cv.waitKey(0)
#  Console 输出结果
#  Riddler-Calvard:142.24748359210108
Riddler-Calvard阈值法