实验目的

比较三种不同阈值处理方法对生成二值图像的影响：

1. 全局阈值法
2. 自适应阈值法
3. 大律法等

注意

• OpenCV使用threshold函数实现阈值化处理。

1、全局阈值法

实现思路

代码

没找到合适的包，所以手动实现。
另外，我发现python竟然支持中文方法名！！！！

#######################################################
###################全局阈值法##########################
#######################################################
def 全局阈值法(img):img_beifen = imgimg_array = np.array(img).astype(np.float32)#把图片转化成数组I=img_arrayzmax=np.max(I)zmin=np.min(I)tk=(zmax+zmin)/2#设置初始阈值#根据阈值将图像进行分割为前景和背景，分别求出两者的平均灰度  zo和zbb=1m,n=I.shape;while b==0:ifg=0ibg=0fnum=0bnum=0for i in range(1,m):for j in range(1,n):tmp=I(i,j)if tmp>=tk:ifg=ifg+1fnum=fnum+int(tmp)  #前景像素的个数以及像素值的总和else:ibg=ibg+1bnum=bnum+int(tmp)#背景像素的个数以及像素值的总和#计算前景和背景的平均值zo=int(fnum/ifg)zb=int(bnum/ibg)if tk==int((zo+zb)/2):b=0else:tk=int((zo+zb)/2)print("test")result = cv2.threshold(img_beifen, tk, 255, cv2.THRESH_BINARY)return result

#全局阈值法
quanJuYuZhi_pic = 全局阈值法(img)

效果图

2、自适应阈值法

思路

代码

自适应阈值法在opencv中有现成的方法，故直接调用。

#自适应阈值法
ziShiYing_pic = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2) 

效果图

3、大律法

• 大津法是一种确定图像二值化分割阈值的算法，按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。
• 而使用threshold进行单纯阈值处理时，需要自定义一个阈值，一般这个值不容易将图像的灰度分的很均匀。
• 背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
• 大律法是求图像全局阈值的最佳方法，适用于大部分需要求图像全局阈值的场合。
• 缺点： 对图像噪声敏感；只能针对单一目标分割；当图像中的目标与背景的面积相差很大时，表现为直方图没有明显的双峰，或者两个峰的大小相差很大，分割效果不佳，或者目标与背景的灰度有较大的重叠时也不能准确的将目标与背景分开。

思路

• 根据双峰图像的图像直方图自动计算阈值。 （对于非双峰图像，二值化不准确。）
• 使用cv.threshold（）但是传递了一个额外的标志
• 对于阈值，只需传递零，然后算法找到最佳阈值并返回为第二个输出retVal。

代码

#大律法
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

效果图

4、总结【更新中】

5、项目代码

import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm#######################################################
###################全局阈值法##########################
#######################################################
def 全局阈值法(img):img_beifen = imgimg_array = np.array(img).astype(np.float32)#把图片转化成数组I=img_arrayzmax=np.max(I)zmin=np.min(I)tk=(zmax+zmin)/2#设置初始阈值#根据阈值将图像进行分割为前景和背景，分别求出两者的平均灰度  zo和zbb=1m,n=I.shape;while b==0:ifg=0ibg=0fnum=0bnum=0for i in range(1,m):for j in range(1,n):tmp=I(i,j)if tmp>=tk:ifg=ifg+1fnum=fnum+int(tmp)  #前景像素的个数以及像素值的总和else:ibg=ibg+1bnum=bnum+int(tmp)#背景像素的个数以及像素值的总和#计算前景和背景的平均值zo=int(fnum/ifg)zb=int(bnum/ibg)if tk==int((zo+zb)/2):b=0else:tk=int((zo+zb)/2)print("test")result2,result1 = cv2.threshold(img_beifen, tk, 255, cv2.THRESH_BINARY)print(result2)return result1#######################################################
###################主函数开始##########################
#######################################################img = cv2.imread("pic/dog1.jpg",0)#全局阈值法
quanJuYuZhi_pic = 全局阈值法(img)#自适应阈值法
ziShiYing_pic = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2) #大律法
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
#######################################################
####################打印图片##########################
######################################################plt.subplot(221), plt.imshow(img, 'gray'), plt.title('img')
plt.subplot(222), plt.imshow(quanJuYuZhi_pic,'gray'), plt.title('quanJuYuZhi_pic')
plt.subplot(223), plt.imshow(ziShiYing_pic, 'gray'), plt.title('ziShiYing_pic')
plt.subplot(224), plt.imshow(th2, 'gray'), plt.title('daLvFa_pic')
plt.axis('off')
plt.show()