图像阈值处理
- 前言
- 1.改变图像颜色
- 灰度图
- HSV图
- 2.图像阈值
- 图像中数值对应的效果
- 函数与参数
- 阈值处理效果
前言
在很多任务当中，首要的任务就是对图像进行阈值处理，为后续其他操作做准备，本文将介绍5种阈值处理的方法以及参数设置，同时通过合理的分析帮助记忆相关参数
1.改变图像颜色
无论是图像阈值还是图像轮廓，都是在灰度图的情况下才能进行的，所以我们需要将图片转换成灰度图，除了在读取时直接以灰度图的形式读取之外我们还可以通过函数cv2.cvtColor对图像颜色转换，除了传入图像之外还需要设置转换的类型
| cv2.COLOR_BGR2GRAY | cv2.COLOR_BGR2HSV |
|---|---|
| 将bgr转换成灰度图 | 将bgr转换成HSV |
在HSV中：
| H | S | V |
|---|---|---|
| 色调（主波长） | 饱和度（纯度/颜色的阴影） | 强度 |
假设我们有这样一个名为kl.jpg的图片
灰度图
img=cv2.imread('kl.png')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
HSV图
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()
虽然HSV图看起来有些奇怪，但暂时我们不需要深入太多，只需要了解可以这样转换就好了，请放心，本篇文章中只用到了灰度图。
2.图像阈值
尽管很多时候灰度图就已经可以完成画出图像轮廓的工作了，但是对于一些简单的图像来说，进行阈值处理往往能得到更好的效果
图像中数值对应的效果
在正式开始介绍阈值处理之前我们先要搞清楚图像数值对应的效果，在灰度图中我们需要明白的是数的大小与图像黑白的关系
为了表示方便我们首先还是定义一个用于展示图片的函数
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
现在假设我们的图像是0-255（因为cv2读出的图像数据类型是uint8,正好是0-255）
我们先看值全0的情况
cv_show(np.zeros((200, 200)),'zeros')
然后是255的情况
cv_show(np.ones((200, 200)) * 255,'ones')
可以看到在灰度图的情况下越接近0越黑，越接近255越白。
函数与参数
我们使用cv2.threshold函数进行阈值处理，使用方式如下：
ret, dst = cv2.threshold(src, thresh, maxval, type)
其中参数：
| 参数 | 含义 |
|---|---|
| src | 输入图，只能输入单通道图像，通常来说为灰度图 |
| dst | 输出图 |
| thresh | 阈值 |
| maxval | 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值 |
| type | 二值化操作的类型，包含5种类型 |
其中type取值：
| 取值 | 含义 |
|---|---|
| cv2.THRESH_BINARY | 超过阈值部分取maxval（最大值），否则取0 |
| cv2.THRESH_BINARY_INV | THRESH_BINARY的反转 |
| cv2.THRESH_TRUNC | 大于阈值部分设为阈值，否则不变 |
| cv2.THRESH_TOZERO | 大于阈值部分不改变，否则设为0 |
| cv2.THRESH_TOZERO_INV | THRESH_TOZERO的反转 |
和前篇的文章一样，我们结合英文简单的记忆一下效果
binary表示二元，所以经过操作后图像只有两个值，由于我们定义了阈值和最大值，所以自然想到超过阈值的设成最大值，没超过的设成0；
binary_inv是binary的反转这个很好理解，就是0变最大，最大变0
trunc可以拆成trun和c可以理解成变成c，其中c表示的就是阈值，可以理解成变成阈值，所以可以理解为大于阈值的变成阈值
tozero可以拆成to和zero，也就是变成0的意思，可以理解成小于阈值的变成0
同样的tozero的反转也很好理解了
阈值处理效果
我们画一下灰度图和五种阈值处理的结果
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
titles = ['GRAY', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
下面我们再结合图像分析一下5种阈值处理
binary是高于阈值的设成最大，低于阈值的设成0，那么就是较黑的变成黑色（0值），较白的变成白色（最大值）
binary_inv和binary相反
trunc使得图像更亮，tozero使得图片更暗，而tozero_inv可以看到确实是相反的效果，原本亮的变得很黑，原本黑的变得很亮
