阈值分割

图像阈值化的一般目的是从灰度图像中分享目标区域和背景区域，然而仅仅通过设定固定阈值(固定阈值的求解可点此查看我写的博文)很难达到理想的分割效果。在实际应用中，我们可以通过某个像素的邻域以某种方法确定这个像素应该具有的阈值，进而保证图像中各个像素的阈值会随着周期围邻域块的变化而变化。在灰度图像中，灰度值变化明显的区域往往是物体的轮廓，所以将图像分成一小块一小块的去计算阈值往往会得出图像的轮廓，而固定阈值的方法就不行。 OpenCV中提供了自适应阈值化函数adaptiveThreshold来实现自适应阈值处理、 函数adaptiveThreshold的原型如下： C++: void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)； 官方说明 int main(int argc, char* argv[]) { // 图像读取及判断 cv::Mat srcImage = cv::imread("2.jpg"); if (!srcImage.data) return 1; // 灰度转换 cv::Mat srcGray; cv::cvtColor(srcImage,

1、加载、显示、保存图像 import argparse import cv2 ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="Path to the image")#读取指定指令，获取图片。参数1：输入指令的头字母，参数2：需要输入的指令 args = vars(ap.parse_args()) image = cv2.imread(args["image"]) #读取指定参数的，读取照片 print "width: %d pixels" % (image.shape[1]) # 获取图像的宽度，横向尺寸，图像坐标系中，第二个参数 print "height: %d pixels" % (image.shape[0] )#获取图像的高度，竖向尺寸，图像坐标系中，第一个参数 注意：读取图像x,y互换 print "channels: %d" % (image.shape[2]) cv2.imshow("Image", image)#显示图片 cv2.imwrite("newimage.jpg", image) #将图片写入指定路径 cv2.waitKey(0)#等待程序结束 2、图像基础 (h, w) = image.shape[:2] #（x,y）像素中的显示

参考文档： Adaptive Thresholding for the DigitalDesk.pdf 　　　　　 Adaptive Thresholding Using the Integral Image.pdf 一、问题的由来 一个现实： 当用照像机拍摄一副黑纸白字的纸张时，照相机获得的图像并不是真正的黑白图像。不管从什么角度拍摄，这幅图像实际上是灰度或者彩色的。除非仔细的设置灯光，否则照相机所拍摄的放在桌子上的纸张图像并不能代表原始效果。不像在扫描仪或打印机内部，想控制好桌子表面的光源是非常困难的。这个开放的空间可能会受到台灯、吊灯、窗户、移动的影子等影响。人类的视觉系统能自动补偿这些，但是机器没有考虑到这些因素因此拍出的效果会很差。 这个问题在处理那种高对比度的艺术线条或文字时尤为突出，因为这些东西都是真正的黑色或白色。而摄像头会产生一副具有不同等级的灰度图像。许多应用都必须清楚的知道图像的那一部分是纯黑或纯白，以便将文字传递给OCR软件去识别。这些系统无法使用灰度图像（典型的是8位每像素），因此必须将他们转换为黑白图像。这有很多种方式去实现。在某些情况下，如果这些图像最终是给人看的，这些图像会使用一些抖动技术，以便使他们看起来更像灰度图像。但是对于机器处理的过程，比如文字识别，选择复制操作，或多个图像合成，系统就不可以使用抖动的图像。系统仅仅需要简单的线条

图像分割 是把图像划分成互不相交的若干个同质区域的处理过程。 图像阈值化 是通过选择合适地阈值把灰度图像转换为二值图像的过程，一般把灰度值小于等于阈值的像素作为图像背景，把灰度值大于阈值的像素作为目标处理。 来源： CSDN 作者： elkluh 链接： https://blog.csdn.net/qq_39696563/article/details/104541465

1，阈值（threshold）：是我们认为设定的一个像素值。取值在（0~255） 二进制阈值化：（threshold binary）（结果值二值不一定是0-1） 首先要选择一个特定的阈值a 新的阈值识别规则为 大于等于阈值的像素点的灰度值设为最大值（例如8位灰度值的最大值255） 灰度值小于阈值的像素的灰度值设为0 反二进制阈值化：（threshold binary，inverted） 与二进制阈值化值的对应方式正好相反。其他相同。 截断阈值化： 首先选择一个阈值 图像中像素值比阈值大的重新设定为阈值 图像中像素值比阈值小的不变 反阈值化为0：（threshold to zero,inverted） 先选定一个阈值 把大于等于阈值的像素点变为0 把小于阈值的的像素点保持不变 阈值化为0：（与反阈值化为0相反） 先选定一个阈值 把大于等于阈值的像素点保持不变 把小于阈值的的像素点化为0 附代码如下： #threshold函数#retval,dst=cv2.threshold(src,thresh,maxval,type)#retral————返回阈值=thresh；dst————图片处理的结果；# src——————源图像；thresh————阈值；maxval——————阈值分割后的最大值；# type————进行那种类型的阈值分割#注意原始图像的类型，必须是8位单通道图像

OpenCV中提供了阈值（threshold）函数： threshold 。 这个函数有5种阈值化类型，在接下来的章节中将会具体介绍。 为了解释阈值分割的过程，我们来看一个简单有关像素灰度的图片，该图如下。该图中的蓝色水平线代表着具体的一个阈值。 阈值类型1：二进制阈值化 该阈值化类型如下式所示: 解释：在运用该阈值类型的时候，先要选定一个特定的阈值量，比如：125，这样，新的阈值产生规则可以解释为大于125的像素点的灰度值设定为最大值(如8位灰度值最大为255)，灰度值小于125的像素点的灰度值设定为0。 阈值类型2：反二进制阈值化 该阈值类型如下式所示： 解释：该阈值化与二进制阈值化相似，先选定一个特定的灰度值作为阈值，不过最后的设定值相反。（在8位灰度图中，例如大于阈值的设定为0，而小于该阈值的设定为255）。 阈值类型3：截断阈值化 该阈值化类型如下式所示： 解释：同样首先需要选定一个阈值，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。（例如：阈值选取为125，那小于125的阈值不改变，大于125的灰度值（230）的像素点就设定为该阈值）。 阈值类型4：阈值化为0 该阈值类型如下式所示： 解释：先选定一个阈值，然后对图像做如下处理：1 像素点的灰度值大于该阈值的不进行任何改变；2 像素点的灰度值小于该阈值的，其灰度值全部变为0。 阈值类型5：反阈值化为0

阈值化 在对图像进行处理操作的过程中，我们常常需要对图像中的像素做出取舍与决策，直接剔除一些低于或高于一定值的像素。 阈值分割可以视为最简单的图像分割方法。比如基于图像中物体与背景之间的灰度差异，可以利用阈值分割出我们需要的物体。这种分割是像素级的分割，为了从一幅图像中提取我们需要的部分，应该用图像中的每个像素点的灰度值与选择的阈值进行比较，并作出取舍判断。 注意，阈值的选取依赖于具体问题，物体在不同的图片中可能会有不同的灰度值。一旦找到了需要分割的物体的像素点，可以对这些像素点设定一些特定的值来表示。例如可以将物体的像素点的灰度值设定为”0“（黑色），其他像素点的灰度值设为”255“（白色）。 OpenCV 中 threshold() 函数 （固定阈值操作）和 adaptiveThreshold() 函数（自适应阈值操作）可以满足这样的需求。它们的基本思想是：给定一个数组和一个阈值，根据数组中的每个元素的值是高于还是低于阈值而进行一些操作。 固定阈值操作：threshold 函数 threshold() 函数是对单通道数组应用固定阈值操作。该函数的典型应用是对灰度图像进行阈值操作得到二值图像（compare 函数也可以达到此目的），或者去除噪声，过滤掉像素值很小或很大的图像点。 double threshold(InputArray src, OutputArray dst,

Canny边缘检测方法被誉为边缘检测的最优方法。 import cv2 import numpy as np img = cv2.imread('handwriting.jpg', 0) edges = cv2.Canny(img, 30, 70) # canny边缘检测 cv2.imshow('canny', np.hstack((img, edges))) cv2.waitKey(0) cv2.Canny()进行边缘检测，参数2、参数3表示最低和最高阈值。 Canny边缘检测 具体步骤如下： 1. 使用5x5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪声比较敏感，所以需要进行平滑处理。高斯滤波的具体内容参考前篇： OpenCV-Python教程9-平滑图像 2. 计算图像梯度的方向： 首先使用Sobel算子计算两个方向上的梯度Gx和Gy，然后算出梯度的方向： 保留这四个方向上的梯度：0°、45°、90°、135° 3. 取局部最大值： 在四个角度方向上取局部最大值 4. 滞后阈值 经过前面三步，剩下0和可能的边缘梯度值。通过设定两个阈值来筛选阈值： 像素点的值大于最高阈值，那肯定是边缘（上图A） 像素值小于最低阈值，那肯定不是边缘 像素值介于两者之间，如果高于最高阈值的点连接，也算边缘。所以C算，B不算 Canny推荐的高低阈值比在 2 : 1 到 3 : 1 之间

实验内容 对左侧图像进行单阈值、多阈值分割，分别得到右侧的结果。请大家实现这两种方法的分割，对比单阈值与多阈值以及不同阈值的分割效果。 实验一：单阈值分割 方法一：人工阈值选择法： 阈值分割最简单的方法就是人工选择法。基于灰度阈值的分割方法，其关键是如何合理的选择阈值。人工选择方法是通过人眼的观察，应用人对图像的知识，在分析图像直方图的基础上，人工选择出合理的阈值。也可以在人工选择出阈值后，根据分割的效果，不断地进行交互操作，从而选择出最佳的阈值。首先，图像的原图如下： 其次，利用imhist（）函数显示出图像的灰度直方图： 通过观察图像灰度直方图可以发现，在150-200之间的灰度值出现很少，而在两边出现了明显的两个高峰，因此根据人工选择阈值法选取183作为图像的阈值分割点，得到的实验效果图如下图所示： 通过观察可以发现人工阈值选择法成功得出了实验效果图，利用灰度直方图的峰谷阈值方法是一种有效且简单的阈值方法，但是该方法有一个局限性，就是要求图像的灰度直方图必须具有双峰型。 方法二：Ostu法： Ostu法是一种使类间方差最大的自动确定阈值的方法，该方法具有简单、处理速度快的特点，是一种常用的阈值选取方法。算法的具体步骤如下： 1、给定一个初始阈值Th，将图像分为C1和C2两类。 2、分别计算出每个灰度值在图像矩阵中的个数，存放在count（）矩阵当中。 3

1.教程： 数学基础教材： 基础的微积分，线性代码，矩阵论，概率论 等，所以这些教材就不推荐了，⼤家⾃⾏了解。倒是关于传统的机器学习，推荐两本书， ⼀本是 模式识别 ，⼀本是 统计学习 。 数字图像处理： 冈萨雷斯的这本《数字图像处理》，是信号处理等专业的必修教材，是把图像处理基础理论与软件实践⽅法相结合的第⼀本书。 因为本书附带有 matlab 代码，⼤量来⾃于 MathWorks 公司的图像处理⼯具箱，可以边学边⽤。这本书基本上讲述了经典图像处理的主要内容，从亮度变换、线性和⾮线性空间滤波、图像增强与压缩、形态学图像处理、图像分割与边界等等，涵盖了领域内最基础的图像概念。 Opencv 欲学习图像处理， opencv 是绝对绕不开的，⼤部分⼯业界的代码⾥⾯⼀定有 opencv。opencv 经历过从以 c 语⾔为主的 1.0 版本，到以 c++为主的 2.0， 3.0 版本，4.0。直接从3开始。 .其他系统性的资料 3 图像基础概念与实践 3.1 图像位数 计算机是采⽤ 0/1 编码的系统，数字图像也是利⽤ 0/1 来记录信息，我们平常接触的图像都是 8 位数图像， 包含 0～255 灰度，其中 0，代表最⿊， 1，表⽰最⽩ 3.2 彩色空间 图像有灰度图有彩⾊图，灰度图即只包含亮度信息，⽽彩⾊图不仅包含亮度信息还包含颜⾊信息。灰度图不需要多说，彩⾊图平常我们接触的是 RGB