Python影象運算之影象閾值化處理詳解

2022-04-19 10:00:20

一.影象閾值化

影象閾值化（Binarization）旨在剔除掉影象中一些低於或高於一定值的畫素，從而提取影象中的物體，將影象的背景和噪聲區分開來。

灰度化處理後的影象中，每個畫素都只有一個灰度值，其大小表示明暗程度。閾值化處理可以將影象中的畫素劃分為兩類顏色，常見的閾值化演演算法如公式（1）所示：

當某個畫素點的灰度Gray(i,j)小於閾值T時，其畫素設定為0，表示黑色；當灰度Gray(i,j)大於或等於閾值T時，其畫素值為255，表示白色。

在Python的OpenCV庫中，提供了固定閾值化函數threshold()和自適應閾值化函數adaptiveThreshold()，將一幅影象進行閾值化處理[3-4]。

二.固定閾值化處理

OpenCV中提供了函數threshold()實現固定閾值化處理，其函數原型如下：

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

– src表示輸入影象的陣列，8位元或32位元浮點型別的多通道數

– dst表示輸出的閾值化處理後的影象，其型別和通道數與src一致

– thresh表示閾值

– maxval表示最大值，當引數閾值型別type選擇CV_THRESH_BINARY或CV_THRESH_BINARY_INV時，該引數為閾值型別的最大值

– type表示閾值型別

其中，threshold()函數不同型別的處理演演算法如表1所示。

其對應的閾值化描述如圖1所示：

閾值化處理廣泛應用於各行各業，比如生物學中的細胞圖分割、交通領域的車牌識別等。通過閾值化處理將所影象轉換為黑白兩色圖，從而為後續的影象識別和影象分割提供更好的支撐作用。下面詳細講解五種閾值化處理演演算法。

1.二進位制閾值化

該函數的原型為 threshold(Gray,127,255,cv2.THRESH_BINARY)。其方法首先要選定一個特定的閾值量，比如127，再按照如下所示的規則進行閾值化處理。

當前畫素點的灰度值大於thresh閾值時（如127），其畫素點的灰度值設定為最大值（如8位元灰度值最大為255）；否則，畫素點的灰度值設定為0。如閾值為127時，畫素點的灰度值為163，則閾值化設定為255；畫素點的灰度值為82，則閾值化設定為0。

二進位制閾值化處理的Python程式碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度影象處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二進位制閾值化處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如圖2所示，左邊是小珞珞的原圖，右邊是將原圖進行二進位制閾值化處理的效果圖。畫素值大於127的設定為255，小於等於127設定為0。

2.反二進位制閾值化

該函數的原型為 threshold(Gray,127,255,cv2.THRESH_BINARY_INV)。其方法首先要選定一個特定的閾值量，比如127，再按照如下所示的規則進行閾值化處理。

當前畫素點的灰度值大於thresh閾值時（如127），其畫素點的灰度值設定為0；否則，畫素點的灰度值設定為最大值。如閾值為127時，畫素點的灰度值為211，則閾值化設定為0；畫素點的灰度值為101，則閾值化設定為255。

反二進位制閾值化處理的Python程式碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度影象處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二進位制閾值化處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY_INV)

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如圖3所示：

3.截斷閾值化

該函數的原型為 threshold(Gray,127,255,cv2.THRESH_TRUNC)。影象中大於該閾值的畫素點被設定為該閾值，小於或等於該閾值的保持不變，比如127。新的閾值產生規則如下：

比如閾值為127時，畫素點的灰度值為167，則閾值化設定為127；畫素點的灰度值為82，則閾值化設定為82。截斷閾值化處理的Python程式碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度影象處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截斷閾值化處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TRUNC)

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如圖4所示，影象經過截斷閾值化處理將灰度值處理於0至127之間。

4.閾值化為0

該函數的原型為 threshold(Gray,127,255,cv2.THRESH_TOZERO)。按照如下公式對影象的灰度值進行處理。

當前畫素點的灰度值大於thresh閾值時（如127），其畫素點的灰度值保持不變；否則，畫素點的灰度值設定為0。如閾值為127時，畫素點的灰度值為211，則閾值化設定為211；畫素點的灰度值為101，則閾值化設定為0。

影象閾值化為0處理的Python程式碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度影象處理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#閾值化為0處理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TOZERO)

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如圖5所示，該演演算法把比較亮的部分不變，比較暗的部分處理為0。

5.反閾值化為0

該函數的原型為 threshold(Gray,127,255, cv2.THRESH_TOZERO_INV)。按照如下公式對影象的灰度值進行處理。

當前畫素點的灰度值大於thresh閾值時（如127），其畫素點的灰度值設定為0；否則，畫素點的灰度值保持不變。如閾值為127時，畫素點的灰度值為211，則閾值化設定為0；畫素點的灰度值為101，則閾值化設定為101。

影象反閾值化為0處理的Python程式碼如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('luo.png')

#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二進位制閾值化處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如圖6所示：

同樣，我們在對民族圖騰及影象進行識別和保護時，也需要進行影象閾值化處理。下面程式碼是對比苗族服飾影象五種固定閾值化處理的對比結果。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取影象
img=cv2.imread('miao.png')
grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

#閾值化處理
ret,thresh1=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY)  
ret,thresh2=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY_INV)  
ret,thresh3=cv2.threshold(grayImage,127,255,cv2.THRESH_TRUNC)  
ret,thresh4=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO)  
ret,thresh5=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO_INV)

#顯示結果
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC',
'TOZERO','TOZERO_INV']  
images = [grayImage, 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()

輸出結果如圖7所示：

三.自適應閾值化處理

前面講解的是固定值閾值化處理方法，而當同一幅影象上的不同部分具有不同亮度時，上述方法就不在適用。此時需要採用自適應閾值化處理方法，根據影象上的每一個小區域，計算與其對應的閾值，從而使得同一幅影象上的不同區域採用不同的閾值，在亮度不同的情況下得到更好的結果。

自適應閾值化處理在OpenCV中呼叫cv2.adaptiveThreshold()函數實現，其原型如下所示：

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

– src表示輸入影象

– dst表示輸出的閾值化處理後的影象，其型別和尺寸需與src一致

– maxValue表示給畫素賦的滿足條件的最大值

– adaptiveMethod表示要適用的自適應閾值演演算法，常見取值包括ADAPTIVE_THRESH_MEAN_C（閾值取鄰域的平均值）或 ADAPTIVE_THRESH_GAUSSIAN_C（閾值取自鄰域的加權和平均值，權重分佈為一個高斯函數分佈）

– thresholdType表示閾值型別，取值必須為THRESH_BINARY或THRESH_BINARY_INV

– blockSize表示計算閾值的畫素鄰域大小，取值為3、5、7等

– C表示一個常數，閾值等於平均值或者加權平均值減去這個常數

當閾值型別thresholdType為THRESH_BINARY時，其灰度影象轉換為閾值化影象的計算公式如下所示：

當閾值型別thresholdType為THRESH_BINARY_INV時，其灰度影象轉換為閾值化影象的計算公式如下所示：

其中，dst(x,y)表示閾值化處理後的灰度值，T(x,y)表示計算每個單獨畫素的閾值，其取值如下：

當adaptiveMethod引數採用ADAPTIVE_THRESH_MEAN_C時，閾值T(x,y)為blockSize×blockSize鄰域內（x，y）減去引數C的平均值。

當adaptiveMethod引數採用ADAPTIVE_THRESH_GAUSSIAN_C時，閾值T(x,y)為blockSize×blockSize鄰域內（x，y）減去引數C與高斯窗交叉相關的加權總和。
下面的程式碼是對比固定值閾值化與自適應閾值化處理的方法。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
import matplotlib

#讀取影象
img = cv2.imread('miao.png')

#影象灰度化處理
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

#固定值閾值化處理
r, thresh1 = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)  

#自適應閾值化處理 方法一
thresh2 = cv2.adaptiveThreshold(grayImage, 255, 
cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

#自適應閾值化處理 方法二
thresh3 = cv2.adaptiveThreshold(grayImage, 255, 
cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

#設定字型
matplotlib.rcParams['font.sans-serif']=['SimHei']

#顯示影象
titles = ['灰度影象', '全域性閾值', '自適應平均閾值', '自適應高斯閾值']
images = [grayImage, thresh1, thresh2, thresh3]
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()

輸出結果如圖8所示，左上角為灰度化處理影象；右上角為固定值全域性閾值化處理影象（cv2.threshold）；左下角為自適應鄰域平均值分割，噪聲較多；右下角為自適應鄰域加權平均值分割，採用高斯函數分佈，其效果相對較好。