主要参考借鉴文章：参考1和参考2
【图像处理opencv】_阈值分割

目标

• 使用固定阈值、自适应阈值和 Otsu 阈值法"二值化"图像
• OpenCV 函数：cv2.threshold(), cv2.adaptiveThreshold()

阈值分割功能与应用

图像阈值分割是一种常用的图像处理技术，它通过将图像的像素值设置为一个或多个阈值来将图像分割成不同的区域或对象。其作用有：

1. 图像二值化：将图像转换为二值图像，即图像的每个像素点非黑即白。这是通过比较每个像素值与设定的阈值来实现的，如果像素值高于阈值，则赋予一个最大值（通常是255，表示白色）；如果低于阈值，则赋予另一个值（通常是0，表示黑色）
2. 噪声去除：过滤掉像素值过小或过大的图像点，从而清洁图像数据，为后续处理提供更清晰的图像
3. 减少数据量：通过将图像简化为二值图像，可以大大减少后续处理的数据量，这对于存储和处理大型图像数据集尤其重要
4. 阈值分割是形状分析的第一步，通过分割出目标物体，可以更好地计算物体的形状参数，如周长、面积、圆形度等

1. 固定阈值分割

对于灰度图像，像素点大于阈值变成一类值，小于阈值变成另一类值。

cv2.threshold()用来实现阈值分割，参数有四个：

• 参数 1：要处理的原图，一般是灰度图
• 参数 2：设定的阈值
• 参数 3：对于THRESH_BINARY、THRESH_BINARY_INV阈值方法所选用的最大阈值，一般为 255
• 参数 4：阈值的方式，主要有 5 种，下面进行解释
  返回值ret代表当前阈值，th代表返回的图像；常用的6类阈值分割方式的公式如下：
  
  代码对比：

import matplotlib.pyplot as plt

# 应用 5 种不同的阈值方法
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret, th2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, th3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, th4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, th5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, th1, th2, th3, th4, th5]

# 使用 Matplotlib 显示
for i in range(6):
    plt.subplot(2, 3, i + 1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.show(

2. 自适应阈值

固定阈值是在整幅图片上应用一个阈值进行分割，它并不适用于明暗分布不均的图片。 cv2.adaptiveThreshold()自适应阈值会每次取图片的一小部分计算阈值，这样图片不同区域的阈值就不尽相同。其函数参数有6个：

• 参数 1：要处理的原图
• 参数 2：最大阈值，一般为 255
• 参数 3：小区域阈值的计算方式
  • ADAPTIVE_THRESH_MEAN_C：小区域内取均值
  • ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核
• 参数 4：阈值方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，具体见前面所讲的阈值方法
• 参数 5：小区域的面积，如 11 就是 11*11 的小块
• 参数 6：最终阈值等于小区域计算出的阈值再减去此值
  代码如下：

# 自适应阈值对比固定阈值
img = cv2.imread('sudoku.jpg', 0)

# 固定阈值
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 自适应阈值
th2 = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)
th3 = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, 6)

titles = ['Original', 'Global(v = 127)', 'Adaptive Mean', 'Adaptive Gaussian']
images = [img, th1, th2, th3]

for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])
plt.show()

3.Otus二值化

Otsu 二值化方法是：对于一个双峰图像（双峰图像是一个直方图有两个峰值的图像，效果最好），近似地取这些峰值中间的一个值作为阈值，otus就是自动从双峰图像的图像直方图中计算出阈值。
方法：使用了 cv.threshold 函数，但传递了一个额外的符号cv.THRESH_OTSU。对于阈值，只需传入零。然后，该算法找到最佳阈值，并作为第二个输出返回 retval。如果不使用 otsu 阈值，则 retval 与你使用的阈值相同。
代码如下：输入图像是噪声图像。在第一种情况下，应用了值为 127 的全局阈值。在第二种情况下，应用 otsu 阈值。在第三种情况下，使用 5x5 高斯核过滤图像以去除噪声，然后应用 otsu 阈值。查看噪声过滤如何改进结果。（可以看到双峰越明显，得到的图像越好）

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('noisy2.png',0)
# 全局阈值
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu 阈值
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 经过高斯滤波的 Otsu 阈值
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 画出所有的图像和他们的直方图
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
for i in xrange(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()