亲宝软件园·资讯

展开

OpenCV阈值处理

盼小辉丶 人气:0

前言

图像分割是许多计算机视觉应用中的关键处理步骤,通常用于将图像划分为不同的区域,这些区域常常对应于真实世界的对象。因此,图像分割是图像识别和内容分析的重要步骤。图像阈值是一种简单、有效的图像分割方法,其中像素根据其强度值进行分区。在本文中,将介绍 OpenCV 所提供的主要阈值技术,可以将这些技术用作计算机视觉应用程序中图像分割的关键部分。

阈值技术简介

阈值处理是一种简单、有效的将图像划分为前景和背景的方法。图像分割通常用于根据对象的某些属性(例如,颜色、边缘或直方图)从背景中提取对象。最简单的阈值方法会利用预定义常数(阈值),如果像素强度小于阈值,则用黑色像素替换,如果像素强度大于阈值,则用白色像素替换。OpenCV 提供了 cv2.threshold() 函数来对图像进行阈值处理。

为了测试 cv2.threshold() 函数,首次创建测试图像,其包含一些填充了不同的灰色调的大小相同的区域,利用 build_sample_image() 函数构建此测试图像:

def build_sample_image():
    """创建填充了不同的灰色调的大小相同的区域,作为测试图像"""
    # 定义不同区域
    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
        # 沿轴连接数组
        result = np.concatenate((result, img), axis=1)
    return result

接下来将使用不同的预定义阈值: 0 、 50 、 100 、 150 、 200 和 250 调用 cv2.threshold() 函数,以查看不同预定义阈值对阈值图像影响。例如,使用阈值 thresh = 50 对图像进行阈值处理:

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

其中,thresh1 是仅包含黑白色的阈值图像。源图像 gray_image 中灰色强度小于 50 的像素为黑色,强度大于 50 的像素为白色。

使用多个不同阈值对图像进行阈值处理:

# 可视化函数
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() 函数构建测试图像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
for i in range(6):
    # 使用多个不同阈值对图像进行阈值处理
    ret, thresh = cv2.threshold(gray_image, 50 * i, 255, cv2.THRESH_BINARY)
    # 可视化
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(i * 50), i + 2)
# 可视化测试图像
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)
# 图像进行阈值处理后,常见的输出是黑白图像
# 因此,为了更好的可视化效果,修改背景颜色
fig.patch.set_facecolor('silver')

plt.show()

从上图可以看出,根据阈值和样本图像灰度值的不同,阈值处理后生成的黑白图像的变化情况。

简单的阈值技术

上一节中,我们已经简单介绍过了 OpenCV 中提供的简单阈值处理函数——cv2.threshold(),该函数用法如下:

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

cv2.threshold() 函数对 src 输入数组(可以为单通道或多通道图像)应用预定义常数 thresh 设置的阈值;type 参数用于设置阈值类型,阈值类型的可选值如下:cv2.THRESH_BINARYcv2.THRESH_BINARY_INVcv2.THRESH_TRUNCcv2.THRESH_TOZEROcv2.THRESH_TOZERO_INVcv2.THRESH_OTSUcv2.THRESH_TRIANGLE

maxval 参数用于设置最大值,其仅在阈值类型为 cv2.THRESH_BINARYcv2.THRESH_BINARY_INV 时有效;需要注意的是,在阈值类型为 cv2.THRESH_OTSUcv2.THRESH_TRIANGLE 时,输入图像 src 应为为单通道。

阈值类型

为了更好的了解阈值操作的不同类型,接下来给出每种阈值类型的具体公式。符号说明:src 是源(原始)图像,dst 对应于阈值化后的目标(结果)图像,因此,src(x, y) 对应于源图像像素 (x, y) 处的强度,而 dst(x, y) 对应于目标图像像素 (x, y) 处的强度。

阈值类型 cv2.THRESH_BINARY 公式如下:

其表示,如果像素 src(x, y) 的强度高于 thresh,则目标图像像素强度 dst(x,y) 将被设为 maxval;否则,设为 0

阈值类型 cv2.THRESH_BINARY_INV 公式如下:

其表示,如果像素 src(x, y) 的强度高于 thresh,则目标图像像素强度 dst(x,y) 将被设为 0;否则,设为 maxval

阈值类型 cv2.THRESH_TRUNC 公式如下:

其表示,如果像素 src(x, y) 的强度高于 thresh,则目标图像像素强度设置为 threshold;否则,设为 src(x, y)

阈值类型 cv2.THRESH_TOZERO 公式如下:

其表示,如果像素 src(x, y) 的强度高于 thresh,则目标图像像素值将设置为 src(x, y);否则,设置为 0

阈值类型 cv2.THRESH_TOZERO_INV 公式如下:

其表示,如果像素 src(x, y) 的强度大于 thresh,则目标图像像素值将设置为 0;否则,设置为 src(x, y)

cv2.THRESH_OTSUcv2.THRESH_TRIANGLE 属于特殊的阈值类型,它们可以与上述阈值类型( cv2.THRESH_BINARYcv2.THRESH_BINARY_INVcv2.THRESH_TRUNCcv2.THRESH_TOZEROcv2.THRESH_TOZERO_INV)进行组合。组合后,阈值处理函数 cv2.threshold() 将只能处理单通道图像,且计算并返回最佳阈值,而非指定阈值。

接下来使用不同阈值类型对同样的测试图像进行阈值处理,观察不同阈值处理效果:

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)
# 可视化
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)
# 其他图像可视化方法类似,不再赘述
# ...

如上图所示,maxval 参数仅在使用 cv2.THRESH_BINARYcv2.THRESH_BINARY_INV 阈值类型时有效,上例中将 cv2.THRESH_BINARYcv2.THRESH_BINARY_INV 类型的 maxval 值设置为 255220,以便查看阈值图像在这两种情况下的变化情况。

简单阈值技术的实际应用

了解 cv2.threshold() 不同参数的工作原理后,我们将 cv2.threshold() 应用于真实图像,并使用不同的阈值:

# 加载图像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 绘制灰度图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)

# 使用不同的阈值调用 cv2.threshold() 并进行可视化
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)

加载全部内容

相关教程
猜你喜欢
用户评论