圖像的閾值處理一般使得圖像的像素值更單一、圖像更簡(jiǎn)單。閾值可以分為全局性質(zhì)的閾值，也可以分為局部性質(zhì)的閾值，可以是單閾值的也可以是多閾值的。當(dāng)然閾值越多是越復(fù)雜的。下面將介紹opencv下的三種閾值方法。

（一）簡(jiǎn)單閾值

簡(jiǎn)單閾值當(dāng)然是最簡(jiǎn)單，選取一個(gè)全局閾值，然后就把整幅圖像分成了非黑即白的二值圖像了。函數(shù)為cv2.threshold()
這個(gè)函數(shù)有四個(gè)參數(shù)，第一個(gè)原圖像，第二個(gè)進(jìn)行分類的閾值，第三個(gè)是高于（低于）閾值時(shí)賦予的新值，第四個(gè)是一個(gè)方法選擇參數(shù)，常用的有：

• cv2.THRESH_BINARY（黑白二值）
• cv2.THRESH_BINARY_INV（黑白二值反轉(zhuǎn)）
• cv2.THRESH_TRUNC （得到的圖像為多像素值）
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

該函數(shù)有兩個(gè)返回值，第一個(gè)retVal（得到的閾值值（在后面一個(gè)方法中會(huì)用到）），第二個(gè)就是閾值化后的圖像。
一個(gè)實(shí)例如下：

            
import cv2
import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0) #直接讀為灰度圖像
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
titles = ['img','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img,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()
          

?

可以看到這里把閾值設(shè)置成了127，對(duì)于BINARY方法，當(dāng)圖像中的灰度值大于127的重置像素值為255.

（二）自適應(yīng)閾值：

前面看到簡(jiǎn)單閾值是一種全局性的閾值，只需要規(guī)定一個(gè)閾值值，整個(gè)圖像都和這個(gè)閾值比較。而自適應(yīng)閾值可以看成一種局部性的閾值，通過(guò)規(guī)定一個(gè)區(qū)域大小，比較這個(gè)點(diǎn)與區(qū)域大小里面像素點(diǎn)的平均值（或者其他特征）的大小關(guān)系確定這個(gè)像素點(diǎn)是屬于黑或者白（如果是二值情況）。使用的函數(shù)為：cv2.adaptiveThreshold（）
該函數(shù)需要填6個(gè)參數(shù)：

1. 第一個(gè)原始圖像
2. 第二個(gè)像素值上限
3. 第三個(gè)自適應(yīng)方法Adaptive Method:
   1. ― cv2.ADAPTIVE_THRESH_MEAN_C ：領(lǐng)域內(nèi)均值
   2. ―cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領(lǐng)域內(nèi)像素點(diǎn)加權(quán)和，權(quán) 重為一個(gè)高斯窗口
4. 第四個(gè)值的賦值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
5. 第五個(gè)Block size:規(guī)定領(lǐng)域大小（一個(gè)正方形的領(lǐng)域）
6. 第六個(gè)常數(shù)C，閾值等于均值或者加權(quán)值減去這個(gè)常數(shù)（為0相當(dāng)于閾值 就是求得領(lǐng)域內(nèi)均值或者加權(quán)值）

這種方法理論上得到的效果更好，相當(dāng)于在動(dòng)態(tài)自適應(yīng)的調(diào)整屬于自己像素點(diǎn)的閾值，而不是整幅圖像都用一個(gè)閾值。

一個(gè)實(shí)例如下：

            
mport cv2
import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0) #直接讀為灰度圖像
ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2) #換行符號(hào) \
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
cv2.THRESH_BINARY,11,2) #換行符號(hào) \
images = [img,th1,th2,th3]
plt.figure()
for i in xrange(4):
 plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
plt.show()
          

?

可以看到上述窗口大小使用的為11，當(dāng)窗口越小的時(shí)候，得到的圖像越細(xì)。想想一下，如果把窗口設(shè)置足夠大以后（不能超過(guò)圖像大?。?，那么得到的結(jié)果可能就和第二幅圖像的相同了。

（三）Otsu's二值化

我們前面說(shuō)到，cv2.threshold函數(shù)是有兩個(gè)返回值的，前面一直用的第二個(gè)返回值，也就是閾值處理后的圖像，那么第一個(gè)返回值（得到圖像的閾值）將會(huì)在這里用到。

前面對(duì)于閾值的處理上，我們選擇的閾值都是127，那么實(shí)際情況下，怎么去選擇這個(gè)127呢？有的圖像可能閾值不是127得到的效果更好。那么這里我們需要算法自己去尋找到一個(gè)閾值，而Otsu's就可以自己找到一個(gè)認(rèn)為最好的閾值。并且Otsu's非常適合于圖像灰度直方圖具有雙峰的情況，他會(huì)在雙峰之間找到一個(gè)值作為閾值，對(duì)于非雙峰圖像，可能并不是很好用。那么經(jīng)過(guò)Otsu's得到的那個(gè)閾值就是函數(shù)cv2.threshold的第一個(gè)參數(shù)了。因?yàn)镺tsu's方法會(huì)產(chǎn)生一個(gè)閾值，那么函數(shù)cv2.threshold的的第二個(gè)參數(shù)（設(shè)置閾值）就是0了，并且在cv2.threshold的方法參數(shù)中還得加上語(yǔ)句cv2.THRESH_OTSU。那么什么是雙峰圖像（只能是灰度圖像才有），就是圖像的灰度統(tǒng)計(jì)圖中可以明顯看出只有兩個(gè)波峰，比如下面一個(gè)圖的灰度直方圖就可以是雙峰圖：

?

好了現(xiàn)在對(duì)這個(gè)圖進(jìn)行Otsu's閾值處理就非常的好，通過(guò)函數(shù)cv2.threshold會(huì)自動(dòng)找到一個(gè)介于兩波峰之間的閾值。一個(gè)實(shí)例如下：

            
import cv2
import matplotlib.pyplot as plt

img = cv2.imread('finger.jpg',0) #直接讀為灰度圖像
#簡(jiǎn)單濾波
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
#Otsu 濾波
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print ret2
plt.figure()
plt.subplot(221),plt.imshow(img,'gray')
plt.subplot(222),plt.hist(img.ravel(),256)#.ravel方法將矩陣轉(zhuǎn)化為一維
plt.subplot(223),plt.imshow(th1,'gray')
plt.subplot(224),plt.imshow(th2,'gray')
          

?

print ret2 得到的結(jié)果為122?？梢钥闯鏊坪鮾蓚€(gè)結(jié)果并沒(méi)有很明顯差別（素材也不太好弄~_~!），主要是兩個(gè)閾值（127與122）太相近了，如果這兩個(gè)隔得很遠(yuǎn)那么會(huì)很明顯的。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。