一.前言

今天是周五，我需要放松。。玩了一半又回来加班。所以今天的内容也不会太多。

二.主要内容

一图像阈值

1简单阈值法

此方法是直截了当的。如果像素值大于阈值，则会被赋为一个值（可能为白色），否则会赋为另一个值（可能为黑色）。使用的函数是 cv.threshold（retval, dst = cv.threshold(src, thresh, maxval, type[, dst])）

。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是 maxval，它表示像素值大于（有时小于）阈值时要给定的值。opencv 提供了不同类型的阈值，由函数的第四个参数决定。不同的类型有：

• cv.THRESH_BINARY
• cv.THRESH_BINARY_INV
• cv.THRESH_TRUNC
• cv.THRESH_TOZERO
• cv.THRESH_TOZERO_INV

获得两个输出。第一个是 retval（后文会解释），稍后将解释。第二个输出是我们的阈值图像。

演示代码如下：

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

# 读取图像
img = cv.imread('test.jpg', 0)#这里的图片名需要与自己文件夹中名称一致

# 应用不同阈值处理方法
ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)

# 设置标题和图像列表
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

# 显示图像
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()
 

结果如下：

2自适应阈值

但在图像在不同区域具有不同照明条件的条件下，这可能不是很好。在这种情况下，我们采用自适应阈值。在此，算法计算图像的一个小区域的阈值。因此，我们得到了同一图像不同区域的不同阈值，对于不同光照下的图像，得到了更好的结果。

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

参数详解

• src: 输入图像（必须为灰度图）

• maxValue: 满足条件时赋予的像素值

• adaptiveMethod: 自适应方法

  • cv2.ADAPTIVE_THRESH_MEAN_C: 邻域均值

  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C: 邻域高斯加权和

• thresholdType: 阈值类型（只能是 THRESH_BINARY 或 THRESH_BINARY_INV）

• blockSize: 邻域大小（必须是奇数）

• C: 从均值或加权均值中减去的常数

大家可以试一试改变 blockSize的值（只能说奇数并且大于1）看看变化规律

3Otsu 二值化

  参数 retval，当我们进行 Otsu 二值化时，它的用途就来了在全局阈值化中，我们使用一个任意的阈值，对吗？那么，我们如何知道我们选择的值是好的还是不好的呢？答案是，试错法。但是考虑一个双峰图像（简单来说，双峰图像是一个直方图有两个峰值的图像）。对于那个图像，我们可以近似地取这些峰值中间的一个值作为阈值，对吗？这就是 Otsu 二值化所做的。所以简单来说，它会自动从双峰图像的图像直方图中计算出阈值。（对于非双峰图像，二值化将不准确。）

为此，我们使用了 cv.threshold 函数，但传递了一个额外的符号 cv.THRESH_OTSU 

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

参数说明

• src: 输入图像（必须是灰度图）

• thresh: 阈值

• maxval: 最大值（当像素值超过阈值时赋予的值）

• type: 阈值化类型

• dst: 输出图像（可选）

测试代码如下：

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

def create_noisy_image():
    """创建带有高斯噪声的测试图像"""
    img = np.zeros((300, 300), dtype=np.uint8)
    cv.rectangle(img, (0, 0), (150, 300), 100, -1)
    cv.rectangle(img, (150, 0), (300, 300), 150, -1)
    
    noise = np.random.normal(0, 25, (300, 300)).astype(np.uint8)
    noisy_img = cv.add(img, noise)
    return noisy_img

img = cv.imread('noisy2.png', 0)
if img is None:
    print("noisy2.png 文件不存在，创建测试图像...")
    img = create_noisy_image()
    cv.imwrite('noisy2.png', img)
    print("已创建测试图像: noisy2.png")

ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
blur = cv.GaussianBlur(img, (5, 5), 0)
ret3, th3 = cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)

images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]

titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding (v=127)',
          'Original Noisy Image', 'Histogram', "Otsu's Thresholding",
          'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]

for i in range(3):
    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.tight_layout()
plt.show()

print("阈值结果比较:")
print(f"全局阈值: {ret1}")
print(f"Otsu 阈值: {ret2}")
print(f"高斯滤波后的 Otsu 阈值: {ret3}")
 

这个代码我通过ds修改了一下，以便能直接看到结果，比较直观。

三.最后一语

  今天就先学这么多，我们的生活不只有学习，我们也应该出门走走，毕竟江山如此多娇。

感谢观看！！共勉。