OpenCV 学习笔记03 threshold函数

opencv-python   4.0.1

简介：该函数是对数组中的每一个元素（each array element）应用固定级别阈值（Applies a fixed-level threshold）

具体地讲，该函数的阈值操作属于像素级的操作，在灰度图中，每个像素都对应一个灰度值（0~255，0黑、255白），此时我们将阈值函数 threshold() 应用于图像，图像的灰度值与阈值进行比较，从而实现二值化处理，目的是滤除太大或太小值像素、消除噪声，从而从灰度图中获取二值图像（将图像的灰度值设置为0或255），实现增强整个图像呈现更为明显的黑白效果，同时也大大减少了数据量。

该函数支持几种类型的阈值处理方式，具体由其参数来确定。

1 函数解析

最简单的图像分割方法。

threshold(src, thresh, maxval, type[, dst]) -> retval, dst

参数：

src - 输入数组/图像（多通道，8位或32位浮点）

thresh - 阈值

maxval - 最大值，与#THRESH_BINARY和#THRESH_BINARY_INV阈值类型一起使用的最大值（maximum value）

type - 阈值类型

dst - 输出数组/图像（与src相同大小和类型以及相同通道数的数组/图像）。

此外，特殊值#THRESH_OTSU或#THRESH_TRIANGLE可以与上述值之一组合。 在这些情况下，函数使用Otsu或Triangle算法确定最佳阈值，并使用它而不是指定的阈值。

返回值：

retval - 阈值 thresh

dst - 经函数处理后的图像 image

2 阈值类型枚举

关于阈值类型（枚举enum），有以下几类

1）二进制阈值化（THRESH_BINARY = 0）

假设阈值thresh为125，则大于125该值的（像素点的）灰度值设定为最大值（如8位灰度值最大为255），小于125该值的灰度值设定为0.

2）反二进制阈值化（ THRESH_BINARY_INV = 1）

与二进制阈值化类似，只是最后设定值恰好相反。

3）截断阈值化（THRESH_TRUNC = 2）

设置目标阈值（如125），图像中大于该阈值的像素点灰度值 = 该阈值125，小于该阈值的灰度值则保持不变。

4）阈值化为0（THRESH_TOZERO = 3）

设置目标阈值（如125），图像中大于该阈值的像素点灰度值保持不变，小于该阈值的像素点灰度值变为0

5）反阈值化为0（THRESH_TOZERO_INV = 4）

与阈值化为0相反。

设置目标阈值（如125），图像中大于该阈值的部分全部为0，小于该阈值的像素点灰度值保持不变。

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
}

3 示例

3.1 关于返回值问题

import cv2
import numpy as np

img = cv2.imread('nice.jpg',0)

# 对img进行阈值/二值化操作
re = cv2.threshold(img,125,255,1)
re_thresh,re_img = cv2.threshold(img,125,255,1)
# re, = cv2.threshold(img,125,255,1) #ValueError: too many values to unpack (expected 1)
print(re)
print(re_thresh)
print(re_img)
# re[0] == re_thresh 阈值, re[1] == re_img 输出图像

3.2 阈值类型

1）二进制阈值化（THRESH_BINARY = 0）

import cv2
import numpy as np

# 以单通道形式读取图像，
img = cv2.imread('nice.jpg',0)

# 对img进行阈值/二值化操作
re_thresh,re_img = cv2.threshold(img,125,255,0)

# 先对图像进行输出，观察图像的变化
cv2.imshow("img",img)
cv2.imshow('re_img',re_img)
cv2.waitKey()

# 图像数组降维（一维）
# 再将其集合处理，观察数组中的元素个数
# 很明显经过二值化处理后的元素个数减少很多
img = np.ravel(img)
re_img = np.ravel(re_img)
print(set(img))
print(set(re_img))

运行

集合输出如下

{0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199, 200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212, 213, 214, 215, 216, 217, 218, 219, 220, 221, 222, 223, 224, 225, 226, 227, 228, 229, 230, 231, 232, 233, 234, 235, 236, 237, 238, 239, 240, 241, 242, 243, 244, 245, 246, 247, 248, 249, 250, 251, 252, 253, 254, 255}
{0, 255}

集合数据内容

在这里可以再温习以下 numpy 辨异 （五）—— numpy.ravel() vs numpy.flatten()

备注，导入的图像是RGB 3通道时并没有报错

# 去掉后面的通道限制 0
img = cv2.imread('nice.jpg')

2）反二进制阈值化（ THRESH_BINARY_INV = 1）、2、3、4对应图像

参考：

https://docs.opencv.org/3.0.0/d7/d1b/group__imgproc__misc.html#ggaa9e58d2860d4afa658ef70a9b1115576a19120b1a11d8067576cc24f4d2f03754

OpenCV基础——threshold函数的使用

threshold —— opencv阈值操作

基本的阈值操作（赞）

numpy 辨异 （五）—— numpy.ravel() vs numpy.flatten()