opencv二值化的cv2.threshold函数

（一）简单阈值

简单阈值当然是最简单，选取一个全局阈值，然后就把整幅图像分成了非黑即白的二值图像了。函数为cv2.threshold()
这个函数有四个参数，第一个原图像，第二个进行分类的阈值，第三个是高于（低于）阈值时赋予的新值，第四个是一个方法选择参数，常用的有：
• cv2.THRESH_BINARY（黑白二值）
• cv2.THRESH_BINARY_INV（黑白二值反转）
• cv2.THRESH_TRUNC （得到的图像为多像素值）
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV
该函数有两个返回值，第一个retVal（得到的阈值值（在后面一个方法中会用到）），第二个就是阈值化后的图像。
一个实例如下：

import cv2

import matplotlib.pyplot as plt

img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')

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

ret,thresh1 = cv2.threshold(gray,,,cv2.THRESH_BINARY)

ret,thresh2 = cv2.threshold(gray,,,cv2.THRESH_BINARY_INV)

ret,thresh3 = cv2.threshold(gray,,,cv2.THRESH_TRUNC)

ret,thresh4 = cv2.threshold(gray,,,cv2.THRESH_TOZERO)

ret,thresh5 = cv2.threshold(gray,,,cv2.THRESH_TOZERO_INV)

titles = ['img','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']

images = [img,thresh1,thresh2,thresh3,thresh4,thresh5]

for i in range():

    plt.subplot(,,i+),plt.imshow(images[i],'gray')

    plt.title(titles[i])

    plt.xticks([]),plt.yticks([])

plt.show()

可以看到这里把阈值设置成了127，对于BINARY方法，当图像中的灰度值大于127的重置像素值为255.

（二）自适应阈值：

前面看到简单阈值是一种全局性的阈值，只需要规定一个阈值值，整个图像都和这个阈值比较。而自适应阈值可以看成一种局部性的阈值，通过规定一个区域大小，比较这个点与区域大小里面像素点的平均值（或者其他特征）的大小关系确定这个像素点是属于黑或者白（如果是二值情况）。使用的函数为：cv2.adaptiveThreshold（）
该函数需要填6个参数：

第一个原始图像
第二个像素值上限
第三个自适应方法Adaptive Method:
— cv2.ADAPTIVE_THRESH_MEAN_C ：领域内均值
—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，权重为一个高斯窗口
第四个值的赋值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
第五个Block size:规定领域大小（一个正方形的领域）
第六个常数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值就是求得领域内均值或者加权值）
这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，而不是整幅图像都用一个阈值。

一个实例如下：

import cv2

import matplotlib.pyplot as plt

img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')

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

ret,th1 = cv2.threshold(gray,,,cv2.THRESH_BINARY)

th2 = cv2.adaptiveThreshold(gray,,cv2.ADAPTIVE_THRESH_MEAN_C,\

cv2.THRESH_BINARY,,) #换行符号 \

th3 = cv2.adaptiveThreshold(gray,,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\

cv2.THRESH_BINARY,,) #换行符号 \

images = [gray,th1,th2,th3]

plt.figure()

for i in range():

    plt.subplot(,,i+),plt.imshow(images[i],'gray')

plt.show()

可以看到上述窗口大小使用的为11，当窗口越小的时候，得到的图像越细。想想一下，如果把窗口设置足够大以后（不能超过图像大小），那么得到的结果可能就和第二幅图像的相同了。

（三）Otsu’s二值化

我们前面说到，cv2.threshold函数是有两个返回值的，前面一直用的第二个返回值，也就是阈值处理后的图像，那么第一个返回值（得到图像的阈值）将会在这里用到。
前面对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值，而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个参数了。因为Otsu’s方法会产生一个阈值，那么函数cv2.threshold的的第二个参数（设置阈值）就是0了，并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU。那么什么是双峰图像（只能是灰度图像才有），就是图像的灰度统计图中可以明显看出只有两个波峰，比如下面一个图的灰度直方图就可以是双峰图：

好了现在对这个图进行Otsu’s阈值处理就非常的好，通过函数cv2.threshold会自动找到一个介于两波峰之间的阈值。一个实例如下：

import cv2

import matplotlib.pyplot as plt

img = cv2.imread('C:\\Users\\Administrator\\Desktop\\image\\ll.jpg')

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

#简单滤波

ret1,th1 = cv2.threshold(gray,,,cv2.THRESH_BINARY)

#Otsu 滤波

ret2,th2 = cv2.threshold(gray,,,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print(ret2)

plt.figure()

plt.subplot(),plt.imshow(gray,'gray')

plt.subplot(),plt.hist(gray.ravel(),)#.ravel方法将矩阵转化为一维

plt.subplot(),plt.imshow(th1,'gray')

plt.subplot(),plt.imshow(th2,'gray')

print(ret2) 得到的结果为144。可以看出似乎两个结果并没有很明显差别，主要是两个阈值（127与144）太相近了，如果这两个隔得很远那么会很明显的。