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：
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)
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。
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。
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。
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：
(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
(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：
#encoding:utf-8import cv2 import numpy as np #读取图片 src = cv2.imread('test.jpg') #灰度图像处理 GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #二进制阈值化处理 r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY) print r #显示图像 cv2.imshow("src", src) cv2.imshow("result", b) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
复制代码输出为两个返回值，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：
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：
(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
(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：
#encoding:utf-8import cv2 import numpy as np #读取图片 src = cv2.imread('test.jpg') #灰度图像处理 GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #反二进制阈值化处理 r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV) print r #显示图像 cv2.imshow("src", src) cv2.imshow("result", b) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
复制代码输出结果如下图所示：
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：
(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
(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：
#encoding:utf-8import cv2 import numpy as np #读取图片 src = cv2.imread('test.jpg') #灰度图像处理 GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #截断阈值化处理 r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC) print r #显示图像 cv2.imshow("src", src) cv2.imshow("result", b) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
复制代码输出结果如下图所示：
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：
(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
(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：
#encoding:utf-8import cv2 import numpy as np #读取图片 src = cv2.imread('test.jpg') #灰度图像处理 GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #反阈值化为0处理 r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV) print r #显示图像 cv2.imshow("src", src) cv2.imshow("result", b) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
复制代码输出结果如下图所示：
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：
(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
(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：
#encoding:utf-8import cv2 import numpy as np #读取图片 src = cv2.imread('test.jpg') #灰度图像处理 GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #阈值化为0处理 r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO) print r #显示图像 cv2.imshow("src", src) cv2.imshow("result", b) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
复制代码输出结果如下图所示：
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：
#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt #读取图像 img=cv2.imread('test.jpg') lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #阈值化处理 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) #显示结果 titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV'] images = [GrayImage, thresh1, thresh2, thresh3, thresh4, thresh5] for i in xrange(6): plt.subplot(2,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
复制代码输出结果如下图所示：
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》。
/3 
