本文分享自华为云社区《[Python 图像处理] 七。图像阈值化处理及算法对比 》,作者: eastmount 。

  一。阈值化

(注:该部分参考作者的论文《基于苗族服饰的图像锐化和边缘提取技术研究》)
图像的二值化或阈值化(Binarization)旨在提取图像中的目标物体,将背景以及噪声区分开来。通常会设定一个阈值 T,通过 T 将图像的像素划分为两类:大于 T 的像素群和小于 T 的像素群。
灰度转换处理后的图像中,每个像素都只有一个灰度值,其大小表示明暗程度。二值化处理可以将图像中的像素划分为两类颜色,常用的二值化算法如公式 1 所示:
v2-4e9329e3d3fdcb3307011996f4faafa6_720w.jpg
当灰度 Gray 小于阈值 T 时,其像素设置为 0,表示黑色;当灰度 Gray 大于或等于阈值 T 时,其 Y 值为 255,表示白色。
Python OpenCV 中提供了阈值函数 threshold () 实现二值化处理,其公式及参数如下图所示:
retval, dst = cv2.threshold(src, thresh, maxval, type)
v2-92996e92ae735638e6b0edb087a4b0a1_720w.jpg
常用的方法如下表所示,其中函数中的参数 Gray 表示灰度图,参数 127 表示对像素值进行分类的阈值,参数 255 表示像素值高于阈值时应该被赋予的新像素值,最后一个参数对应不同的阈值处理方法。
v2-28d0f2f002699d36f1ef199eb6a55010_720w.jpg
对应 OpenCV 提供的五张图如下所示,第一张为原图,后面依次为:二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为 0、阈值化为 0。
v2-13ec57567a050728755dc0cb15919476_720w.jpg
二值化处理广泛应用于各行各业,比如生物学中的细胞图分割、交通领域的车牌设别等。在文化应用领域中,通过二值化处理将所需民族文物图像转换为黑白两色图,从而为后面的图像识别提供更好的支撑作用。下图表示图像经过各种二值化处理算法后的结果,其中 “BINARY” 是最常见的黑白两色处理。
v2-b4d5a229018da1017effb653de81564b_720w.jpg

  二。二进制阈值化
该方法先要选定一个特定的阈值量,比如 127。新的阈值产生规则如下:
v2-aa5782e1337b5ae7399d80d71ab29176_720w.jpg
(1) 大于等于 127 的像素点的灰度值设定为最大值(如 8 位灰度值最大为 255)
(2) 灰度值小于 127 的像素点的灰度值设定为 0
例如,163->255,86->0,102->0,201->255。
关键字为 cv2.THRESH_BINARY,完整代码如下:
  
  1. #encoding:utf-8
  2. import cv2  
  3. import numpy as np  
  4. #读取图片
  5. src = cv2.imread('test.jpg')
  6. #灰度图像处理
  7. GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
  8. #二进制阈值化处理
  9. r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY)
  10. print r
  11. #显示图像
  12. cv2.imshow("src", src)
  13. cv2.imshow("result", b)
  14. #等待显示
  15. cv2.waitKey(0)
  16. cv2.destroyAllWindows()

输出为两个返回值,r 为 127,b 为处理结果(大于 127 设置为 255,小于设置为 0)。如下图所示:
v2-5b11dca6c55de2bbc3ad72f0672a854a_720w.jpg

  三。反二进制阈值化
该方法与二进制阈值化方法相似,先要选定一个特定的灰度值作为阈值,比如 127。新的阈值产生规则如下:
v2-28ce02bba45b4d69d028575a32b6c2f9_720w.jpg
(1) 大于 127 的像素点的灰度值设定为 0(以 8 位灰度图为例)
(2) 小于该阈值的灰度值设定为 255
例如,163->0,86->255,102->255,201->0。
关键字为 cv2.THRESH_BINARY_INV,完整代码如下:
  
  1. #encoding:utf-8
  2. import cv2  
  3. import numpy as np  
  4. #读取图片
  5. src = cv2.imread('test.jpg')
  6. #灰度图像处理
  7. GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
  8. #反二进制阈值化处理
  9. r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV)
  10. print r
  11. #显示图像
  12. cv2.imshow("src", src)
  13. cv2.imshow("result", b)
  14. #等待显示
  15. cv2.waitKey(0)
  16. cv2.destroyAllWindows()

输出结果如下图所示:
v2-ab040a03c379337f69a8ff605703f3f8_720w.jpg
该方法得到的结果正好与二进制阈值化方法相反,亮色元素反而处理为黑色,暗色处理为白色。

  四。截断阈值化
该方法需要选定一个阈值,图像中大于该阈值的像素点被设定为该阈值,小于该阈值的保持不变,比如 127。新的阈值产生规则如下:
v2-e42fe3e074aa41cdfba3b7b7ffed12ac_720w.jpg
​(1) 大于等于 127 的像素点的灰度值设定为该阈值 127
(2) 小于该阈值的灰度值不改变
例如,163->127,86->86,102->102,201->127。
关键字为 cv2.THRESH_TRUNC,完整代码如下:
  
  1. #encoding:utf-8
  2. import cv2  
  3. import numpy as np  
  4. #读取图片
  5. src = cv2.imread('test.jpg')
  6. #灰度图像处理
  7. GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
  8. #截断阈值化处理
  9. r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)
  10. print r
  11. #显示图像
  12. cv2.imshow("src", src)
  13. cv2.imshow("result", b)
  14. #等待显示
  15. cv2.waitKey(0)
  16. cv2.destroyAllWindows()

输出结果如下图所示:
v2-284c0ca0470ef82e057ca001380cbc6c_720w.jpg
该处理方法相当于把图像中比较亮(大于 127,偏向于白色)的像素值处理为阈值。

  五。反阈值化为 0
该方法先选定一个阈值,比如 127,接着对图像的灰度值进行如下处理:
v2-683efdc4bfa1b1463180a8b868fb4a71_720w.jpg
(1) 大于等于阈值 127 的像素点变为 0
(2) 小于该阈值的像素点值保持不变
例如,163->0,86->86,102->102,201->0。
关键字为 cv2.THRESH_TOZERO_INV,完整代码如下:
  
  1. #encoding:utf-8
  2. import cv2  
  3. import numpy as np  
  4. #读取图片
  5. src = cv2.imread('test.jpg')
  6. #灰度图像处理
  7. GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
  8. #反阈值化为0处理
  9. r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)
  10. print r
  11. #显示图像
  12. cv2.imshow("src", src)
  13. cv2.imshow("result", b)
  14. #等待显示
  15. cv2.waitKey(0)
  16. cv2.destroyAllWindows()

输出结果如下图所示:
v2-12b0413a3cab040c4c94db6cd503cb49_720w.jpg

  六。阈值化为 0
该方法先选定一个阈值,比如 127,接着对图像的灰度值进行如下处理:
v2-05d0dd99404b575c31cf9c9e1bdec2e9_720w.jpg
(1) 大于等于阈值 127 的像素点,值保持不变
(2) 小于该阈值的像素点值设置为 0
例如,163->163,86->0,102->0,201->201。
关键字为 cv2.THRESH_TOZERO,完整代码如下:
  
  1. #encoding:utf-8
  2. import cv2  
  3. import numpy as np  
  4. #读取图片
  5. src = cv2.imread('test.jpg')
  6. #灰度图像处理
  7. GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
  8. #阈值化为0处理
  9. r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)
  10. print r
  11. #显示图像
  12. cv2.imshow("src", src)
  13. cv2.imshow("result", b)
  14. #等待显示
  15. cv2.waitKey(0)
  16. cv2.destroyAllWindows()

输出结果如下图所示:
v2-d398978ad8e0acecf2d3b2ef0305b621_720w.jpg
该算法把比较亮的部分不变,比较暗的部分处理为 0。
完整五个算法的对比代码如下所示:
  
  1. #encoding:utf-8
  2. import cv2  
  3. import numpy as np  
  4. import matplotlib.pyplot as plt
  5. #读取图像
  6. img=cv2.imread('test.jpg')
  7. lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
  8. GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
  9. #阈值化处理
  10. ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)  
  11. ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)  
  12. ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)  
  13. ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)  
  14. ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)
  15. #显示结果
  16. titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']  
  17. images = [GrayImage, thresh1, thresh2, thresh3, thresh4, thresh5]  
  18. for i in xrange(6):  
  19.    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')  
  20.    plt.title(titles[i])  
  21.    plt.xticks([]),plt.yticks([])  
  22. plt.show()

输出结果如下图所示:
v2-e973fa58a047701c482644f115fe907f_720w.jpg
本文摘录自 eastmount X 华为云开发者社区联合出品的电子书《从零到一・Python 图像处理及识别》。