前言

圖像分割是許多計算機視覺應(yīng)用中的關(guān)鍵處理步驟，通常用于將圖像劃分為不同的區(qū)域，這些區(qū)域常常對應(yīng)于真實世界的對象。因此，圖像分割是圖像識別和內(nèi)容分析的重要步驟。圖像閾值是一種簡單、有效的圖像分割方法，其中像素根據(jù)其強度值進(jìn)行分區(qū)。在本文中，將介紹 OpenCV 所提供的主要閾值技術(shù)，可以將這些技術(shù)用作計算機視覺應(yīng)用程序中圖像分割的關(guān)鍵部分。

閾值技術(shù)簡介

閾值處理是一種簡單、有效的將圖像劃分為前景和背景的方法。圖像分割通常用于根據(jù)對象的某些屬性(例如，顏色、邊緣或直方圖)從背景中提取對象。最簡單的閾值方法會利用預(yù)定義常數(shù)(閾值)，如果像素強度小于閾值，則用黑色像素替換，如果像素強度大于閾值，則用白色像素替換。OpenCV 提供了 cv2.threshold() 函數(shù)來對圖像進(jìn)行閾值處理。

為了測試 cv2.threshold() 函數(shù)，首次創(chuàng)建測試圖像，其包含一些填充了不同的灰色調(diào)的大小相同的區(qū)域，利用 build_sample_image() 函數(shù)構(gòu)建此測試圖像：

def build_sample_image():
    """創(chuàng)建填充了不同的灰色調(diào)的大小相同的區(qū)域，作為測試圖像"""
    # 定義不同區(qū)域
    tones = np.arange(start=50, stop=300, step=50)
    # 初始化
    result = np.zeros((50, 50, 3), dtype="uint8")

    for tone in tones:
        img = np.ones((50, 50, 3), dtype="uint8") * tone
        # 沿軸連接數(shù)組
        result = np.concatenate((result, img), axis=1)
    return result

接下來將使用不同的預(yù)定義閾值： 0 、 50 、 100 、 150 、 200 和 250 調(diào)用 cv2.threshold() 函數(shù)，以查看不同預(yù)定義閾值對閾值圖像影響。例如，使用閾值 thresh = 50 對圖像進(jìn)行閾值處理：

ret1, thresh1 = cv2.threshold(gray_image, 50, 255, cv2.THRESH_BINARY)

其中，thresh1 是僅包含黑白色的閾值圖像。源圖像 gray_image 中灰色強度小于 50 的像素為黑色，強度大于 50 的像素為白色。

使用多個不同閾值對圖像進(jìn)行閾值處理：

# 可視化函數(shù)
def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]

    ax = plt.subplot(7, 1, pos)
    plt.imshow(img_RGB)
    plt.title(title, fontsize=8)
    plt.axis('off')
# 使用 build_sample_image() 函數(shù)構(gòu)建測試圖像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
for i in range(6):
    # 使用多個不同閾值對圖像進(jìn)行閾值處理
    ret, thresh = cv2.threshold(gray_image, 50 * i, 255, cv2.THRESH_BINARY)
    # 可視化
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(i * 50), i + 2)
# 可視化測試圖像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img with tones of gray - left to right: (0,50,100,150,200,250)", 1)
# 圖像進(jìn)行閾值處理后，常見的輸出是黑白圖像
# 因此，為了更好的可視化效果，修改背景顏色
fig.patch.set_facecolor('silver')

plt.show()

從上圖可以看出，根據(jù)閾值和樣本圖像灰度值的不同，閾值處理后生成的黑白圖像的變化情況。

簡單的閾值技術(shù)

上一節(jié)中，我們已經(jīng)簡單介紹過了 OpenCV 中提供的簡單閾值處理函數(shù)——cv2.threshold()，該函數(shù)用法如下：

cv2.threshold(src, thresh, maxval, type, dst=None) -> retval, dst

cv2.threshold() 函數(shù)對 src 輸入數(shù)組(可以為單通道或多通道圖像)應(yīng)用預(yù)定義常數(shù) thresh 設(shè)置的閾值；type 參數(shù)用于設(shè)置閾值類型，閾值類型的可選值如下：cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO、cv2.THRESH_TOZERO_INV、cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE。

maxval 參數(shù)用于設(shè)置最大值，其僅在閾值類型為 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 時有效；需要注意的是，在閾值類型為 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 時，輸入圖像 src 應(yīng)為為單通道。

閾值類型

為了更好的了解閾值操作的不同類型，接下來給出每種閾值類型的具體公式。符號說明：src 是源(原始)圖像，dst 對應(yīng)于閾值化后的目標(biāo)(結(jié)果)圖像，因此，src(x, y) 對應(yīng)于源圖像像素 (x, y) 處的強度，而 dst(x, y) 對應(yīng)于目標(biāo)圖像像素 (x, y) 處的強度。

閾值類型 cv2.THRESH_BINARY 公式如下：

其表示，如果像素 src(x, y) 的強度高于 thresh，則目標(biāo)圖像像素強度 dst(x,y) 將被設(shè)為 maxval；否則，設(shè)為 0。

閾值類型 cv2.THRESH_BINARY_INV 公式如下：

其表示，如果像素 src(x, y) 的強度高于 thresh，則目標(biāo)圖像像素強度 dst(x,y) 將被設(shè)為 0；否則，設(shè)為 maxval。

閾值類型 cv2.THRESH_TRUNC 公式如下：

其表示，如果像素 src(x, y) 的強度高于 thresh，則目標(biāo)圖像像素強度設(shè)置為 threshold；否則，設(shè)為 src(x, y)。

閾值類型 cv2.THRESH_TOZERO 公式如下：

其表示，如果像素 src(x, y) 的強度高于 thresh，則目標(biāo)圖像像素值將設(shè)置為 src(x, y)；否則，設(shè)置為 0 。

閾值類型 cv2.THRESH_TOZERO_INV 公式如下：

其表示，如果像素 src(x, y) 的強度大于 thresh，則目標(biāo)圖像像素值將設(shè)置為 0；否則，設(shè)置為 src(x, y)。

而 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 屬于特殊的閾值類型，它們可以與上述閾值類型( cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV)進(jìn)行組合。組合后，閾值處理函數(shù) cv2.threshold() 將只能處理單通道圖像，且計算并返回最佳閾值，而非指定閾值。

接下來使用不同閾值類型對同樣的測試圖像進(jìn)行閾值處理，觀察不同閾值處理效果：

ret1, thresh1 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY)
ret2, thresh2 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY)
ret3, thresh3 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY_INV)
ret4, thresh4 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY_INV)
ret5, thresh5 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TRUNC)
ret6, thresh6 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TOZERO)
ret7, thresh7 = cv2.threshold(gray_image,100,255, cv2.THRESH_TOZERO_INV)
# 可視化
show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 255", 2)
show_img_with_matplotlib(cv2.cvtColor(thresh2, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 220", 3)
show_img_with_matplotlib(cv2.cvtColor(thresh3, cv2.COLOR_GRAY2BGR), "THRESH_BINARY_INV - thresh = 100", 4)
# 其他圖像可視化方法類似，不再贅述
# ...

如上圖所示，maxval 參數(shù)僅在使用 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 閾值類型時有效，上例中將 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 類型的 maxval 值設(shè)置為 255 及 220，以便查看閾值圖像在這兩種情況下的變化情況。

簡單閾值技術(shù)的實際應(yīng)用

了解 cv2.threshold() 不同參數(shù)的工作原理后，我們將 cv2.threshold() 應(yīng)用于真實圖像，并使用不同的閾值：

# 加載圖像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 繪制灰度圖像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)

# 使用不同的閾值調(diào)用 cv2.threshold() 并進(jìn)行可視化
for i in range(8):
    ret, thresh = cv2.threshold(gray_image, 130 + i * 10, 255, cv2.THRESH_BINARY)
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(130 + i * 10), i + 2)

以上就是Python OpenCV閾值處理詳解的詳細(xì)內(nèi)容，更多關(guān)于OpenCV閾值處理的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論