Python OpenCV中的图像阈值处理

1 前言

上一篇介绍了用C++如何对一幅图像进行阈值处理，本篇接着用python来做同样的事情。

图像阈值处理是很多高级算法的底层逻辑之一，比如在做图形检测，轮廓识别时，常常会先对图像进行阈值处理，然后再进行具体的检测或识别。因此很有必要掌握图像的阈值处理技术。接下来我们一起探索一下OpenCV中的简单阈值处理、自适应阈值处理和Otsu阈值处理方法。

2 接口函数

使用Python调用OpenCV，实现阈值处理，主要使用了2个接口函数，以下是函数说明。

retval, dst = cv2.threshold(src, thresh, maxval, type)

参数说明：

参数1：待处理的图像，可以是彩色图像或灰度图像，建议使用灰度图像

参数2：阈值，一般在125~150之间取一个阈值，效果比较好

参数3：阈值处理采用的最大值

参数4：阈值处理类型，包括以下表格中的5种类型之一，表示简单的阈值处理；若要使用Otsu方法进行阈值处理，该参数在下列5种类型选择一个后，再加上THRESH_OTSU，比如THRESH_BINARY + THRESH_OTSU

 返回值说明：

返回值1：处理是采用的阈值

返回值2：阈值处理后的图像

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

参数说明：

参数1：待处理的图像，必须使用灰度图像

参数2：阈值处理采用的最大值

参数3：自适应阈值计算方法，包括2种，如下表所示

 参数4：阈值处理类型，仅包括以下2种：THRESH_BINARY或THRESH_BINARY_INV

参数5：一个正方形区域的大小，例如11，就是11 x 11的矩阵区域

参数6：常量，阈值等于均值或加权值减去这个常量值

返回值：阈值处理后的图像

3 创建测试项目

创建测试项目、配置开发环境，具体可参考之前文章，这里就不多说了

Win10+Python3.10+OpenCV4.6.0加载显示图片_来灵的博客-CSDN博客_opencv-python4.6

这次测试项目名称img_threshold，VS2022种创建好的项目截图：

将下列代码编辑到img_threshold.py文件里，代码中有详细的注释：

# !usr/bin/env python
# -*- coding: utf-8 -*-
import cv2

#简单阈值处理
def SimpleThresholding(filePath):
    print("start simple thresholding test...")

    #以灰度图方式打开图像
    src = cv2.imread(filePath, cv2.IMREAD_GRAYSCALE)

    #打开失败
    if src is None:
        print("Error opening image...")
        return

    #显示原图
    cv2.imshow('src', src)

    #二值化处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_BINARY)
    cv2.imshow('binary', dst)
    cv2.imwrite('binary.jpg', dst)

    #反二值化处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_BINARY_INV)
    cv2.imshow('binary-inv', dst)
    cv2.imwrite('binary-inv.jpg', dst)

    #截断阈值处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_TRUNC)
    cv2.imshow('trunc', dst)
    cv2.imwrite('trunc.jpg', dst)

    #低于阈值0处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_TOZERO)
    cv2.imshow('tozero', dst)
    cv2.imwrite('tozero.jpg', dst)

    #超出阈值0处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_TOZERO_INV)
    cv2.imshow('to-zero-inv', dst)
    cv2.imwrite('to-zero-inv.jpg', dst)

    #按下任何键盘按键后退出
    cv2.waitKey()
    #销毁所有窗口
    cv2.destroyAllWindows()

    print("stop test...")

#自适应阈值处理
def AdaptiveThresholding(filePath):
    print("start adaptive thresholding test...")

    #以灰度图方式打开图像
    src = cv2.imread(filePath, cv2.IMREAD_GRAYSCALE)

    #打开失败
    if src is None:
        print("Error opening image...")
        return

    #显示原图
    cv2.imshow('src', src)

    #二值化处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_BINARY)
    cv2.imshow('binary', dst)
    cv2.imwrite('binary.jpg', dst)

    #自适应阈值
    #阈值是邻近区域的平均值减去常数C
    dst = cv2.adaptiveThreshold(src, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
    cv2.imshow('mean-binary', dst)
    cv2.imwrite('mean-binary.jpg', dst)

    #自适应阈值
    #阈值是邻域值的高斯加权和减去常数C
    dst = cv2.adaptiveThreshold(src, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
    cv2.imshow('gauss-binary', dst)
    cv2.imwrite('gauss-binary.jpg', dst)

    #按下任何键盘按键后退出
    cv2.waitKey()
    #销毁所有窗口
    cv2.destroyAllWindows()

    print("stop test...")

#Otsu阈值处理
def OtsuThresholding(filePath):
    print("start otsu thresholding test...")

    #以灰度图方式打开图像
    src = cv2.imread(filePath, cv2.IMREAD_GRAYSCALE)

    #打开失败
    if src is None:
        print("Error opening image...")
        return

    #显示原图
    cv2.imshow('src', src)

    #二值化处理
    ret, dst = cv2.threshold(src, 127, 255, cv2.THRESH_BINARY)
    cv2.imshow('binary', dst)
    cv2.imwrite('binary.jpg', dst)

    #Otsu阈值
    ret,dst = cv2.threshold(src, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    cv2.imshow('otsu-binary', dst)
    cv2.imwrite('otsu-binary.jpg', dst)

    #高斯去噪后使用Otsu阈值处理
    blur = cv2.GaussianBlur(src, (5,5), 0)
    ret,dst = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    cv2.imshow('gaussblur-binary', dst)
    cv2.imwrite('gaussblur-binary.jpg', dst)

    #按下任何键盘按键后退出
    cv2.waitKey()
    #销毁所有窗口
    cv2.destroyAllWindows()

    print("stop test...")

if __name__ == '__main__':
    filePath = "test.jpg"
    SimpleThresholding(filePath)

    AdaptiveThresholding(filePath)

    OtsuThresholding('gauss-noise.jpg')

 编辑好代码的项目截图：

测试项目工程当前目录 ：

4 效果截图

简单的阈值处理，以下图像，从左至右，从上到下，依次是原图灰度图像、二值化阈值处理、反二值化阈值处理、截断阈值处理、低于阈值0处理、超出阈值0处理对应的图像。

自适应阈值处理：

 Otsu阈值处理：

 彩色原图：

5 总结

1. OpenCV中，对图像阈值处理有3种方法：简单的阈值处理、自适应阈值处理和Otsu阈值处理。其中简单的阈值处理又分为5种：二值化阈值处理、反二值化阈值处理、截断阈值处理、低于阈值0处理和超出阈值0处理。
2. 简单的阈值处理，是选定一个全局的阈值，比如示例代码中的127。然后将图像中所有像素值与阈值做比较进行处理。这对于一幅明暗度分配不均匀的图像来说，并不友好。所以OpenCV提供了自适应阈值处理，自适应阈值处理，将一幅图像分为多个矩形区域，在每个区域，自动计算出一个合适的阈值，将该小区域内的所有像素与阈值比较进行处理。
3. OpenCV的图像阈值处理接口使用比较简单，但作用很重要，它是很多高级算法的前置条件，比如图形检测，轮廓识别等。