前文传送门：
「Python 图像处理 OpenCV （2）：像素处理与 Numpy 操作以及 Matplotlib 显示图像」
「Python 图像处理 OpenCV （3）：图像属性、图像感兴趣 ROI 区域及通道处理」
「Python 图像处理 OpenCV （4）：图像算数运算以及修改颜色空间」
「Python 图像处理 OpenCV （5）：图像的几何变换」
图像的阈值
看到这个词可能大家都很懵，为啥在图像处理里面还会有阈值。
图像的阈值处理用大白话讲就是将图像转化为二值图像（黑白图），目的是用来提取图像中的目标物体，将背景和噪声区分开（可以近似的认为除了目标全是噪声）。
通常会设定一个阈值 T ，通过 T 将图像的像素划分为两类：大于 T 的像素群和小于 T 的像素群。
首先可以先将图像转化为灰度图像，因为在灰度图像中，每个像素都只有一个灰度值用来表示当前像素的亮度。
接下来二值化处理可以将图像中的像素划分为两类颜色，一种是大于阈值 T 的，另一种是小于阈值 T 的。
比如最常见的二值图像：
当灰度值小于阈值 T 的时候，可以将其像素设置为 0 ，表示为黑色。
当灰度值大于阈值 T 的时候，可以将其像素设置为 255 ，表示为白色。
在 OpenCV 中，为我们提供了阈值函数 threshold() 来帮助我们实现二值图像的处理。
函数如下：
retval, dst = threshold(src, thresh, maxval, type, dst=None)
- retval: 阈值
- dst: 处理后的图像
- src: 原图像
- thresh: 阈值
- maxval: 最大值
- type: 处理类型
常用的 5 中处理类型如下：
- cv.THRESH_BINARY: 二值处理
- cv.THRESH_BINARY_INV: 反二值处理
- cv.THRESH_TRUNC: 截断阈值化
- cv.THRESH_TOZERO: 阈值化为 0
- cv.THRESH_TOZERO_INV: 反阈值化为 0
接下来这几种处理类型有啥不同，我们一个一个来看。
二值处理
这种二值处理方式最开始需要选定一个阈值 T ，从 0 ~ 255 之间，我这里选择出于中间的那个数 127 。
接下来的处理规则就是这样的：
- 大于等于 127 的像素点的灰度值设定为最大值，也就是 255 白色
- 小于 127 的像素点的灰度值设定为 0 ，也就是黑色
接下来开始写代码，看我们的马里奥同学（不知道你们还记不记得我们的马里奥同学）：
import cv2 as cv
src = cv.imread("maliao.jpg")
# BGR 图像转灰度
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 二值图像处理
r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_BINARY)
# 显示图像
cv.imshow("src", src)
cv.imshow("result", b)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
反二值处理
这种方式和上面的二值处理非常相似，只是把处理规则给反了一下：
- 大于等于 127 的像素点的灰度值设定为 0 ，也就是白色
- 小于 127 的像素点的灰度值设定为最大值，也就是 255 白色
完整代码如下：
import cv2 as cv
src = cv.imread("maliao.jpg")
# BGR 图像转灰度
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 二值图像处理
r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_BINARY_INV)
# 显示图像
cv.imshow("src", src)
cv.imshow("result", b)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
从图像上可以看到，颜色和上面的二值图像正好相反，大部分的位置都变成了白色。
截断阈值化
这种方法还是需要先选定一个阈值 T ，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变。
完整代码如下：
import cv2 as cv
src = cv.imread("maliao.jpg")
# BGR 图像转灰度
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 二值图像处理
r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_TRUNC)
# 显示图像
cv.imshow("src", src)
cv.imshow("result", b)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
这种方式实际上是把图片比较亮的像素处理成为阈值，其他部分保持不变。
阈值化为 0
这种方式还是需要先选定一个阈值 T ，将小于 T 的像素点设置为 0 黑色，其他的保持不变。
完整代码如下：
import cv2 as cv
src = cv.imread("maliao.jpg")
# BGR 图像转灰度
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 二值图像处理
r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_TOZERO)
# 显示图像
cv.imshow("src", src)
cv.imshow("result", b)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
这个方法是亮的部分不改，把比较暗的部分修改为 0 。
反阈值化为 0
这个和前面的反二值图像很像，同样是反阈值化为 0 ，将大于等于 T 的像素点变为 0 ，其余保持不变。
完整代码如下：
import cv2 as cv
src = cv.imread("maliao.jpg")
# BGR 图像转灰度
gray_img = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 二值图像处理
r, b = cv.threshold(gray_img, 127, 255, cv.THRESH_TOZERO_INV)
# 显示图像
cv.imshow("src", src)
cv.imshow("result", b)
# 等待显示
cv.waitKey(0)
cv.destroyAllWindows()
这个方法是暗的部分不改，把比较亮的部分修改为 0 。
全家福
接下来还是给这几种阈值处理后的图像来个全家福，让大家能有一个直观的感受，代码我也给出来，如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 读取图像
img=cv.imread('maliao.jpg')
lenna_img = cv.cvtColor(img,cv.COLOR_BGR2RGB)
gray_img=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 阈值化处理
ret1, thresh1=cv.threshold(gray_img, 127, 255, cv.THRESH_BINARY)
ret2, thresh2=cv.threshold(gray_img, 127, 255, cv.THRESH_BINARY_INV)
ret3, thresh3=cv.threshold(gray_img, 127, 255, cv.THRESH_TRUNC)
ret4, thresh4=cv.threshold(gray_img, 127, 255, cv.THRESH_TOZERO)
ret5, thresh5=cv.threshold(gray_img, 127, 255, cv.THRESH_TOZERO_INV)
# 显示结果
titles = ['Gray Img','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [gray_img, thresh1, thresh2, thresh3, thresh4, thresh5]
# matplotlib 绘图
for i in range(6):
plt.subplot(2, 3, i+1), plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
示例代码
如果有需要获取源码的同学可以在公众号回复「OpenCV」进行获取。