计算机视觉基础10---阈值处理

参考书目：《OpenCV计算机视觉基础教程》–夏帮贵。
代码编写：Jupyter Notebook。

---

---

# 1.全局阈值处理
# 全局阈值处理：将大于阈值的像素值设置为255，将其他像素值设置为0；
# 或将大于阈值的像素值设置为0，将其他像素值设置为255；
# 语法格式：retval, dst = cv2.threshold(src, thresh, maxval, type)
# 参数说明：
# a.retval：返回的阈值；
# b.dst：处理后的结果图像；
# c.src：原图像；
# d.thresh：设置的阈值；
# e.maxval：阈值类型；THRESH_BINARY、THRESH_BINARY_INV时使用的最大值；
# f.type：阈值类型；

# 1.1 二值化阈值处理
# 二值化阈值处理：将大于阈值的像素值设置为255，将其他像素值设置为0；
"""
假设图像像素如下：
[[123, 230, 187],
 [176, 150, 200],
 [230, 180, 135]]
将阈值设置为150，二值化阈值处理如下：
[[0, 255, 255],
 [255, 0, 255],
 [255, 255, 0]]
"""
import cv2 as cv

img1 = cv.imread("apollo_car.JPG")
ret2, img2 = cv.threshold(img1, 100, 255, cv.THRESH_BINARY)
ret3, img3 = cv.threshold(img1, 150, 255, cv.THRESH_BINARY)
ret4, img4 = cv.threshold(img1, 200, 255, cv.THRESH_BINARY)

cv.imshow("apollo", img1)
cv.imshow("apollo100", img2)
cv.imshow("apollo150", img3)
cv.imshow("apollo200", img4)

cv.waitKey(0)

# 1.2 反二值化阈值处理
# 反二值化阈值处理：将大于阈值的像素值设置为0，将其他像素值设置为255；
"""
假设图像像素如下：
[[123, 230, 187],
 [176, 150, 200],
 [230, 180, 135]]
将阈值设置为150，二值化阈值处理如下：
[[255, 0, 0],
 [0, 255, 0],
 [0, 0, 255]]
"""
import cv2 as cv

img1 = cv.imread("apollo_car.JPG")
ret2, img2 = cv.threshold(img1, 100, 255, cv.THRESH_BINARY_INV)
ret3, img3 = cv.threshold(img1, 150, 255, cv.THRESH_BINARY_INV)
ret4, img4 = cv.threshold(img1, 200, 255, cv.THRESH_BINARY_INV)

cv.imshow("apollo", img1)
cv.imshow("apollo100", img2)
cv.imshow("apollo150", img3)
cv.imshow("apollo200", img4)

cv.waitKey(0)

# 1.3 截断阈值处理
# 截断阈值处理：将大于阈值的像素值设置为阈值，其他像素值保持不变
"""
假设图像像素如下：
[[123, 230, 187],
 [176, 150, 200],
 [230, 180, 135]]
将阈值设置为150，二值化阈值处理如下：
[[123, 150, 150],
 [150, 150, 150],
 [150, 150, 135]]
"""
import cv2 as cv

img1 = cv.imread("apollo_car.JPG")
ret2, img2 = cv.threshold(img1, 100, 255, cv.THRESH_TRUNC)
ret3, img3 = cv.threshold(img1, 150, 255, cv.THRESH_TRUNC)
ret4, img4 = cv.threshold(img1, 200, 255, cv.THRESH_TRUNC)

cv.imshow("apollo", img1)
cv.imshow("apollo100", img2)
cv.imshow("apollo150", img3)
cv.imshow("apollo200", img4)

cv.waitKey(0)

# 1.4 超阈值零处理
# 超阈值零处理：将大于阈值的像素值设置为0，其他像素保持不变；
"""
假设图像像素如下：
[[123, 230, 187],
 [176, 150, 200],
 [230, 180, 135]]
将阈值设置为150，二值化阈值处理如下：
[[123, 0, 0],
 [0, 150, 0],
 [0, 0, 135]]
"""
import cv2 as cv

img1 = cv.imread("apollo_car.JPG")
ret2, img2 = cv.threshold(img1, 100, 255, cv.THRESH_TOZERO)
ret3, img3 = cv.threshold(img1, 150, 255, cv.THRESH_TOZERO)
ret4, img4 = cv.threshold(img1, 200, 255, cv.THRESH_TOZERO)

cv.imshow("apollo", img1)
cv.imshow("apollo100", img2)
cv.imshow("apollo150", img3)
cv.imshow("apollo200", img4)

cv.waitKey(0)

# 1.5 低阈值零处理
# 低阈值零处理：将小于阈值的像素值设置为0，其他像素保持不变；
"""
假设图像像素如下：
[[123, 230, 187],
 [176, 150, 200],
 [230, 180, 135]]
将阈值设置为150，二值化阈值处理如下：
[[0, 230, 187],
 [176, 150, 200],
 [230, 180, 0]]
"""
import cv2 as cv

img1 = cv.imread("apollo_car.JPG")
ret2, img2 = cv.threshold(img1, 100, 255, cv.THRESH_TOZERO_INV)
ret3, img3 = cv.threshold(img1, 150, 255, cv.THRESH_TOZERO_INV)
ret4, img4 = cv.threshold(img1, 200, 255, cv.THRESH_TOZERO_INV)

cv.imshow("apollo", img1)
cv.imshow("apollo100", img2)
cv.imshow("apollo150", img3)
cv.imshow("apollo200", img4)

cv.waitKey(0)

# 1.6 Otsu算法阈值处理
# 对于色彩不均衡图像，Otsu算法阈值处理方式更好，该算法会遍历当前图像的所有阈值，再选择最佳阈值；
import cv2 as cv

img1 = cv.imread("apollo_car.JPG", cv.IMREAD_GRAYSCALE)
ret2, img2 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY)
ret3, img3 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
ret4, img4 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY_INV + cv.THRESH_OTSU)

cv.imshow("apollo", img1)
cv.imshow("apollo_binary", img2)
cv.imshow("apollo_binary_otsu", img3)
cv.imshow("apollo_binary_inv_otsu", img4)

cv.waitKey(0)

# 1.7 三角算法阈值处理
import cv2 as cv

img1 = cv.imread("apollo_car.JPG", cv.IMREAD_GRAYSCALE)
ret2, img2 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY)
ret3, img3 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY + cv.THRESH_TRIANGLE)
ret4, img4 = cv.threshold(img1, 127, 255, cv.THRESH_BINARY_INV + cv.THRESH_TRIANGLE)

cv.imshow("apollo", img1)
cv.imshow("apollo_binary", img2)
cv.imshow("apollo_binary_triangle", img3)
cv.imshow("apollo_binary_inv_triangle", img4)

cv.waitKey(0)

# 2.自适应阈值处理
# 自适应阈值处理(局部阈值处理)：通过计算每个像素点邻域的加权平均值确定阈值，并用该阈值处理当前像素点；
# 全局阈值处理适用于色彩均衡的图像，自适应阈值处理适用于明暗差异较大的图像；
# 语法格式：dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)
# 参数说明：
# a.dst：处理后结果图像；
# b.src：原图像；
# c.maxValue：最大值；

# d.adaptiveMethod：自适应方法；
# d.1：cv2.ADAPTIVE_THRESH_MEAN_C，领域中所有像素点权重值相同；
# d.2：cv2.ADAPTIVE_THRESH_GAUSSIAN_C，领域中像素点的权重值与其到中心点的距离有关，通过高斯方程计算各个点的权重值；

# e.thresholdType：阈值处理方式；
# e.1：cv2.THRESH_BINARY，二值化阈值处理；
# e.2：cv2.THRESH_BINARY_INV，反二值化阈值处理；

# f.blockSize：计算局部阈值的邻域的大小；
# g.C：常量；自适应阈值为blockSize指定领域的加权平均值减去C；
import cv2 as cv

img1 = cv.imread("apollo_car.JPG", cv.IMREAD_GRAYSCALE)
img2 = cv.adaptiveThreshold(img1, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 5, 10)
img3 = cv.adaptiveThreshold(img1, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY_INV, 5, 10)
img4 = cv.adaptiveThreshold(img1, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 5, 10)
img5 = cv.adaptiveThreshold(img1, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY_INV, 5, 10)

cv.imshow("apollo", img1)
cv.imshow("mean_binary", img2)
cv.imshow("mean_binary_inv", img3)
cv.imshow("gaussian_binary", img4)
cv.imshow("gaussian_binary_inv", img5)

cv.waitKey(0)