OpenCV3入门（五）图像的阈值

1、图像阈值与二值化

阈值是一种简单的图像分割方法，一幅图像包括目标物体（前景）、背景还有噪声，要想从数字图像中直接提取出目标物体，可以设定一个像素值即阈值，然后用图像的每一个像素点和阈值做比较，给出判定结果。

二值化是特殊的阈值分割方法，把图像分为两部分，以阈值T为分割线，大于T的像素群和小于T的像素群，这样图像就变为黑白二色图像。通过设定一个标准如果大于这个标准就设为白，如果小于这个标准就设为黑，而这个标准就是阈值。

2、OpenCV阈值threshold

double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type);

（1）第一个参数，InputArray 类型的 src，源图像。单通道，8 或 32位浮点数类型的深度。

（2）第二个参数，OutputArray 类型的 dst，输出图像。

（3）第三个参数，double 类型的 thresh，选取的阈值。

（4）第四个参数，double 类型的 maxval。

（5）第五个参数，int 类型的 type。阈值类型。如下所示：

type类型如下：

enum  cv::ThresholdTypes { cv::THRESH_BINARY = 0, cv::THRESH_BINARY_INV = 1, cv::THRESH_TRUNC = 2, cv::THRESH_TOZERO = 3, cv::THRESH_TOZERO_INV = 4, cv::THRESH_MASK = 7, cv::THRESH_OTSU = 8, cv::THRESH_TRIANGLE = 16
}

不同的阈值方法生成关系如下图。

Mat img = Mat::zeros(6, 6, CV_8UC1);
randu(img, 0, 255);int th = 100;
Mat threshold1, threshold2, threshold3, threshold4, threshold5, threshold6, threshold7, threshold8;
threshold(img, threshold1, th, 200, THRESH_BINARY);
threshold(img, threshold2, th, 200, THRESH_BINARY_INV);
threshold(img, threshold3, th, 200, THRESH_TRUNC);cout << "raw=\r\n"<<img << "\r\n" << endl;
cout << "THRESH_BINARY=\r\n" << threshold1 << "\r\n" << endl;
cout << "THRESH_BINARY_INV=\r\n" << threshold2 << "\r\n" << endl;
cout << "THRESH_TRUNC=\r\n" << threshold3 << "\r\n" << endl;

上面代码中randu(img, 0, 255)作用是产出随机数填充img矩阵。输出结果如下。

raw=
[ 91,   2,  79, 179,  52, 205;236,   8, 181, 239,  26, 248;207, 218,  45, 183, 158, 101;102,  18, 118,  68, 210, 139;198, 207, 211, 181, 162, 197;191, 196,  40,   7, 243, 230]THRESH_BINARY=
[  0,   0,   0, 200,   0, 200;200,   0, 200, 200,   0, 200;200, 200,   0, 200, 200, 200;200,   0, 200,   0, 200, 200;200, 200, 200, 200, 200, 200;200, 200,   0,   0, 200, 200]THRESH_BINARY_INV=
[200, 200, 200,   0, 200,   0;0, 200,   0,   0, 200,   0;0,   0, 200,   0,   0,   0;0, 200,   0, 200,   0,   0;0,   0,   0,   0,   0,   0;0,   0, 200, 200,   0,   0]THRESH_TRUNC=
[ 91,   2,  79, 100,  52, 100;100,   8, 100, 100,  26, 100;100, 100,  45, 100, 100, 100;100,  18, 100,  68, 100, 100;100, 100, 100, 100, 100, 100;100, 100,  40,   7, 100, 100]

THRESH_BINARY，thresh=100，maxval=200，大于阈值限定为200，小于阈值清零。

THRESH_BINARY_INV的作用和THRESH_BINARY 相反，小于阈值置200，大于阈值清。

THRESH_TRUNC的作用是对大于阈值的数据进行截断，其余值保留原值不变。

图像阈值例子如下。

Mat img = imread("D:/WORK/5.OpenCV/LeanOpenCV/pic_src/pic6.bmp", IMREAD_GRAYSCALE);
int th = 100;
Mat threshold1, threshold2, threshold3, threshold4, threshold5, threshold6, threshold7, threshold8;
threshold(img, threshold1, th, 200, THRESH_BINARY);
threshold(img, threshold2, th, 200, THRESH_BINARY_INV);
threshold(img, threshold3, th, 200, THRESH_TRUNC);imshow("raw pic",img);
imshow("THRESH_BINARY", threshold1);
imshow("THRESH_BINARY_INV", threshold2);
imshow("THRESH_TRUNC", threshold3);

3、自动阈值—大津法OTSU

最大类间方差是由日本学者大津(Nobuyuki Otsu)于1979年提出，是一种自适应的阈值确定方法。算法假设图像像素能够根据阈值，被分成背景[background]和目标[objects]两部分。然后，计算该最佳阈值来区分这两类像素，使得两类像素区分度最大。

算法原理为：

设图像Img长宽尺寸为M*N, T为二值化的阈值；

N0为灰度小于T的像素的个数，N0的平均灰度为μ0。

N1 为灰度大于T的像素的个数，N1的平均灰度为μ1。

ω0=N0/ M×N                   (1)   //落在N0的概率

ω1=N1/ M×N                   (2) 　//落在N1的概率

N0+N1=M×N                    (3) 　

ω0+ω1=1 (4) 　　　　　　

μ=ω0*μ0+ω1*μ1              (5) 　//平均灰度乘以概率再相加

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2     (6)   //类间方差

将式(5)代入式(6),得到等价公式: g=ω0ω1(μ0-μ1)^2    (7)

OpenCV自带了OSTU算法。

Mat img = imread("D:/WORK/5.OpenCV/LeanOpenCV/pic_src/pic2.bmp", IMREAD_GRAYSCALE);
int th = 100;
Mat threshold1, threshold2, threshold3;
threshold(img, threshold1, th, 255, THRESH_BINARY);
threshold(img, threshold2, th, 255, THRESH_TRUNC);
threshold(img, threshold3, th, 255, THRESH_OTSU); // 阈值随意设置即可

imshow("raw pic",img);
imshow("THRESH_BINARY", threshold1);
imshow("THRESH_TRUNC",  threshold2);
imshow("THRESH_OTSU",   threshold3);

使用大津法时阈值可以不设置或随意设置，函数会自动计算最合适的阈值，输出图像如下。

大津法相比其他二值化方法，能很好的筛选出前景图和背景图，让图像分类后黑白区分度最大。

4、参考文献

1、《学习OpenCV》，清华大学出版社，Gary Bradski， Adrian kaehler著

2、Miscellaneous Image Transformations

https://docs.opencv.org/3.1.0/d7/d1b/group__imgproc__misc.html#gae8a4a146d1ca78c626a53577199e9c57

3、OpenCV threshold函数详解

https://blog.csdn.net/weixin_42296411/article/details/80901080

4、详细及易读懂的大津法（OTSU）原理和算法实现

https://blog.csdn.net/u012198575/article/details/81128799

尊重原创技术文章，转载请注明。

https://www.cnblogs.com/pingwen/p/12300590.html