opencv 阈值分割

opencv 阈值分割


同的阈值方法”二值化”图像。
使用固定阈值、自适应阈值和Otsu阈值法”二值化”图像
OpenCV函数：cv2.threshold(), cv2.adaptiveThreshold()

自适应阈值是以一个小区域进行的的

固定阈值分割
固定阈值分割很直接，一句话说就是像素点值大于阈值一个值，小于阈值是另外一个值。


cv2.threshold()用来实现阈值分割，ret是return value缩写，代表当前的阈值，暂时不用理会。函数有4个参数：
参数1：要处理的原图，一般是灰度图
参数2：设定的阈值
参数3：最大阈值，一般为255
参数4：阈值的方式，主要有5种，详情：ThresholdTypes
https://docs.opencv.org/3.3.1/d7/d1b/group__imgproc__misc.html#gaa9e58d2860d4afa658ef70a9b1115576


自适应阈值
看得出来固定阈值是在整幅图片上应用一个阈值进行分割，它并不适用于明暗分布不均的图片。cv2.adaptiveThreshold()自适应阈值会每次取图片的一小部分计算阈值，这样图片不同区域的阈值就不尽相同。它有5个参数

th2 = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)

参数1：要处理的原图
参数2：最大阈值，一般为255
参数3：小区域阈值的计算方式
ADAPTIVE_THRESH_MEAN_C：小区域内取均值
ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
参数4：阈值方式（跟前面讲的那5种相同）
参数5：小区域的面积，如11就是11*11的小块
参数6：最终阈值等于小区域计算出的阈值再减去此值


Otsu阈值是一种高效的二值化算法，

# -*-encoding:utf-8-*-
import pytesseract
from PIL import Image
from PIL import ImageFilter
from PIL import ImageFont
from PIL import ImageDraw
import numpy as np
from PIL import Image

import cv2
import matplotlib.pyplot as plt

def main():


    # 颜色空间转换
    img = cv2.imread("learn.jpg")

    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 阈值分割
    ret, th = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
    # cv2.imshow('thresh', th)
    # cv2.waitKey(0)

    # 参数1：要处理的原图，一般是灰度图
    # 参数2：设定的阈值(小于为0,大于为255)
    # 参数3：最大阈值，一般为255
    # 参数4：阈值的方式，主要有5种，详情：ThresholdTypes
    # ret是return value缩写，代表当前的阈值，

    # 应用5种不同的阈值方法
    ret, th1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
    ret, th2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
    ret, th3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
    ret, th4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
    ret, th5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
    titles = ['Original', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
    images = [img, th1, th2, th3, th4, th5]
    # 使用Matplotlib显示
    for i in range(6):
        plt.subplot(2, 3, i + 1)
        plt.imshow(images[i], 'gray')
        plt.title(titles[i], fontsize=8)
        plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.show()

    # 自适应阈值
    # 看得出来固定阈值是在整幅图片上应用一个阈值进行分割，它并不适用于明暗分布不均的图


    th2 = cv2.adaptiveThreshold(
        img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)
    th3 = cv2.adaptiveThreshold(
        img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, 6)

    titles = ['Original', 'Global(v = 127)', 'Adaptive Mean', 'Adaptive Gaussian']
    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], fontsize=8)
        plt.xticks([]), plt.yticks([])
    plt.show()


if __name__ == '__main__':
    main()