【小白】Open-CV 学习笔记 - 6.7阈值化

阈值化

阈值化操作在图像处理中是一种常用的算法，比如图像的二值化就是一种最常见的一种阈值化操作。opencv2和opencv3中提供了直接阈值化操作cv::threshold()和自适应阈值化操作cv::adaptiveThreshold()两种阈值化操作接口，这里将对这两个接口进行介绍和对比。

1、直接阈值化——cv::threshold()

阈值化操作的基本思想是，给定一个输入数组和一个阈值，数组中的每个元素将根据其与阈值之间的大小发生相应的改变。opencv3中支持这一操作的接口是cv::threshold()，具体调用方法如下：

double cv::threshold(
cv::InputArray src, // 输入图像
cv::OutputArray dst, // 输出图像
double thresh, // 阈值
double maxValue, // 向上最大值
int thresholdType // 阈值化操作的类型
);

1、两种阈值的寻找方法
THRESH_OTSU(根据给的数自动计算阈值),THRESH_TRIANGLE（根据直方图计算阈值）

2、五种阈值的处理方法
如下表所示，每一种阈值化操作类型，对应着一种源图像上每一个像素点与阈值thresh之间比较操作。根据源图像像素和阈值之间的大小关系，目标像素可能被置为0、原像素值、或者设定的最大值maxValue。

下图将会帮助大家理解不同的阈值化类型所表示的确切含义。

void test_threshold()
{
	cv::Mat src = cv::imread("lena.jpg", cv::IMREAD_GRAYSCALE);
	cv::Mat dst;
 
	double thresh = 100;
	int maxVal = 255;
	cv::threshold(src, dst, thresh, maxVal, cv::THRESH_BINARY);
 
	cv::imshow("threshold", dst);
	cv::waitKey(0);
 
	return;
}

实用上面的代码进行阈值化处理，原图和五种不同方式阈值化的结果分别如下：

这里着重讲一下OTSU算法

• Otsu法
  (最大类间方差法，有时也称之为大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。所以可以在二值化的时候采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此,使类间方差最大的分割意味着错分概率最小。
• Otsu流程：

1. 先計算影像的直方圖
2. 把直方圖強度大於閾值的像素分成一組，把小於閾值的像素分成另一組。
3. 分別計算這兩組的組內變異數，並把兩個組內變異數相加。
4. 將0~255依序當作閾值來計算組內變異數和，總和值最小的就是結果閾值。

• OpenCV自適應閾值二值化：

一樣是用threshold()函式，使用方式也一樣，只是最後一個參數增加CV_THRESH_OTSU，目前otsu只能使用在8位元圖。

• double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type)
• src：輸入圖，只能輸入單通道。
• dst：輸出圖，尺寸大小、深度會和輸入圖相同。
• thresh：閾值。
• maxval：二值化結果的最大值。
• type：有THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV五種。type從上述五種結合CV_THRESH_OTSU，類似寫成：THRESH_BINARY | CV_THRESH_OTSU。

值得一说的是threshold_type使用CV_THRESH_OTSU类型，这样该函数就会使用大律法OTSU得到的全局自适应阈值来进行二值化图片，而参数中的threshold不再起作用。

该算法的理论依据是：假定图像包含两类像素（前景像素和背景像素），直方图为双峰直方图，然后计算使得两类像素能分开的最佳阈值（类内方差），或等价的间类间方差最大。
该算法的主要思想是，在进行阈值化时，考虑所有可能的阈值，分别计算低于阈值和高于阈值像素的方差，使下式最小化的值作为阈值：

其中，两类像素方差的权值由两类像素的个数决定。这种阈值化的结果相对来说比较理想，可以避免寻找合适阈值的操作，但是这种方式运算量较大，费时。处理的结果如下：

但是，直接阈值化操作是一种一刀切的方式，对于亮度分布差异较大的图像，常常无法找到一个合适的阈值。如下所示，对棋盘格进行二值化操作，由于图像右上角区域和图像下部的亮度差异较为大，无法找到一个合适的阈值，将棋盘上的所有棋盘格给区分开来。

针对于上述情况，我们需要一种改进的阈值化算法，即自适应阈值化。

2、自适应阈值化——cv::adaptiveThreshold()

自适应阈值化能够根据图像不同区域亮度分布的，改变阈值，具体调用方法如下：

void cv::adaptiveThreshold(
cv::InputArray src, // 输入图像
cv::OutputArray dst, // 输出图像
double maxValue, // 向上最大值
int adaptiveMethod, // 自适应方法，平均或高斯
int thresholdType // 阈值化类型
int blockSize, // 块大小
double C // 常量
);

cv::adaptiveThreshold()支持两种自适应方法，即cv::ADAPTIVE_THRESH_MEAN_C（平均）和cv::ADAPTIVE_THRESH_GAUSSIAN_C（高斯）。在两种情况下，自适应阈值T(x, y)。通过计算每个像素周围bxb大小像素块的加权均值并减去常量C得到。其中，b由blockSize给出，大小必须为奇数；如果使用平均的方法，则所有像素周围的权值相同；如果使用高斯的方法，则（x,y）周围的像素的权值则根据其到中心点的距离通过高斯方程得到。

扫描二维码关注公众号，回复： 8517460 查看本文章

测试代码如下：

void test_adaptive_threshold()
{
cv::Mat src = cv::imread("chessboard.png", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
int maxVal = 255;
int blockSize = 41;
double C = 0;
cv::adaptiveThreshold(src, dst, maxVal, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, blockSize, C);
cv::imshow("threshold", dst);
cv::waitKey(0);
return;
}

我们分别使用了平均和高斯两种自适应方法，结果如下：