传统CV算法——threshold阈值算法介绍

传统CV算法——threshold阈值算法介绍

引用

CSDN

1.

https://blog.csdn.net/weixin_42917352/article/details/118684586

在计算机视觉领域，阈值处理是图像分割的重要技术。OpenCV 提供了多种阈值处理方法，其中包括全局阈值（cv.threshold）和自适应阈值（cv.adaptiveThreshold）。本文将详细介绍这两种方法的定义、数学原理、输入参数以及它们的区别。

阈值化函数

在计算机图像视觉中，我们常见的RGB图像包含过多的信息，可能存在一些噪声。因此，使用阈值算法可以降噪，使特征更加明显。一般使用灰度图，需要使用单通道的图片才可以进行阈值化，针对RGB或者HSV格式的图片，我们需要进行灰度化操作才可以进行阈值算法的使用。

import cv2 as cv

img = cv.imread("./images/1.jpg")

gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)

ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU)

cv.imshow("gray",gray)

cv.imshow("binary",binary)
cv.waitKey(0)

全局阈值（cv.threshold）

定义

全局阈值是将整个图像应用一个固定的阈值进行二值化处理。所有像素值大于该阈值的像素被设置为最大值（通常是255），而小于该阈值的像素被设置为0。

数学原理

给定一个图像 I，全局阈值处理可以表示为：

T = threshold(I(x, y), thresh, maxval, type)

其中：

• I(x, y) 是输入图像的像素值。
• thresh 是全局阈值。
• maxval 是要分配给大于阈值的像素的值（通常为255）。
• type 是阈值类型（如 cv.THRESH_BINARY 或 cv.THRESH_BINARY_INV）。

输入参数

• src：输入图像（单通道）。
• thresh：阈值。
• maxval：最大值。
• type：阈值类型。

自适应阈值（cv.adaptiveThreshold）

定义

自适应阈值是根据图像的局部特征动态计算阈值。它在图像的每个小区域内计算阈值，从而更好地处理光照不均匀的情况。

数学原理

自适应阈值处理可以表示为：

T(x, y) = mean(I(x', y')) - C

其中：

• T(x, y) 是位置 (x, y) 的自适应阈值。
• mean(I(x', y')) 是在邻域 N 内的像素值的平均值。
• C 是一个常数，用于调整阈值。

自适应阈值的公式可以表示为：

dst(x, y) =
[
\begin{cases}
maxval, & \text{if}I(x,y)>T(x,y) \
0, & \text{otherwise}
\end{cases}
]

输入参数

• src：输入图像（单通道）。
• maxValue：最大值（通常为255）。
• adaptiveMethod：自适应方法（如 cv.ADAPTIVE_THRESH_MEAN_C 或 cv.ADAPTIVE_THRESH_GAUSSIAN_C）。
• thresholdType：阈值类型（如 cv.THRESH_BINARY 或 cv.THRESH_BINARY_INV）。
• blockSize：邻域大小（必须是奇数）。
• C：从计算的阈值中减去的常数。

区别

• 阈值计算：
• 全局阈值：使用一个固定的阈值处理整个图像。
• 自适应阈值：根据局部区域的特征动态计算阈值。
• 适用场景：
• 全局阈值：适用于光照均匀的图像。
• 自适应阈值：适用于光照不均匀或具有复杂背景的图像。
• 处理效果：
• 全局阈值：可能会导致某些区域的细节丢失。
• 自适应阈值：能够保留更多的细节，适应不同的光照条件。

总结

• cv.threshold 是全局阈值处理，适用于光照均匀的图像。
• cv.adaptiveThreshold 是自适应阈值处理，适用于光照不均匀的图像。
• 两者的选择取决于具体的应用场景和图像特征。

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread("./images/2.jpg",cv.IMREAD_GRAYSCALE)
img = cv.GaussianBlur(img,(5,5),sigmaX=0)

ret,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

#  blockSize为邻域块的大小、C为偏移值
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,blockSize=9,C=2)

th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,blockSize=9,C=2)

titles = ["Original Image",
          "Global Thresholding(V=127)",
          "Adaptive Mean Thresholding",
          "Adaptive Gaussian Thresholding"]

images = [img,th1,th2,th3]

for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(images[i],"gray")
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()