圖像分割-基于閾值處理的基本方法

1.固定閾值法——直方圖雙峰法該方法基于圖像直方圖上出現(xiàn)的雙峰現(xiàn)象。當(dāng)一個(gè)圖像有雙峰現(xiàn)象時(shí)，其直方圖會(huì)出現(xiàn)兩個(gè)峰，分別對(duì)應(yīng)圖像中兩種不同的顏色或亮度區(qū)域。這時(shí)我們可以使用直方圖雙峰法來(lái)自動(dòng)確定合適的閾值。其基本思路如下：1.計(jì)算圖像的灰度直方圖。2.根據(jù)直方圖的兩個(gè)峰的位置，計(jì)算出兩個(gè)峰之間的閾值，作為圖像的閾值。3.根據(jù)計(jì)算出的閾值對(duì)圖像進(jìn)行二值化處理，將圖像分成目標(biāo)和背景兩個(gè)部分。注意：該方法只適用于存在雙峰現(xiàn)象的圖像，對(duì)于單峰或峰不明顯的圖像，則需要使用其他的閾值分割方法。使用cv2.threshold(src,thresh,maxval,type)函數(shù)。常用的閾值處理方法有：代碼：#直方圖雙峰法importcv2importnumpyasnpfrommatplotlibimportpyplotasplt#讀取圖像(閾值處理方法不同)img=cv2.imread('house.tif',0)x,img1=cv2.threshold(img,150,255,cv2.THRESH_BINARY)x,img2=cv2.threshold(img,150,255,cv2.THRESH_TRUNC)x,img3=cv2.threshold(img,150,255,cv2.THRESH_TOZERO)#顯示原始圖像和恢復(fù)后的圖像plt.figure(figsize=(20,20))plt.subplot(221),plt.imshow(img,cmap='gray')plt.title('InputImage'),plt.xticks([]),plt.yticks([])plt.subplot(222),plt.imshow(img1,cmap='gray')plt.title('segimgTHRESH_BINARY'),plt.xticks([]),plt.yticks([])plt.subplot(223),plt.imshow(img2,cmap='gray')plt.title('segimgTHRESH_TRUNC'),plt.xticks([]),plt.yticks([])plt.subplot(224),plt.imshow(img3,cmap='gray')plt.title('segimgTHRESH_TOZERO'),plt.xticks([]),plt.yticks([])plt.show()這種全局閾值處理方法缺點(diǎn)是對(duì)噪聲的處理的效果并不好，需要進(jìn)行平滑處理。importcv2importrandomimportnumpyasnpfrommatplotlibimportpyplotaspltimg=cv2.imread('house.tif',0)#加上高斯噪聲noise=np.random.normal(0,100,size=img.size).reshape(img.shape[0],img.shape[1])img1=img+noiseimg1=np.clip(img1,0,255)#平滑處理img2=cv2.GaussianBlur(img1,(5,5),0)#直方圖雙峰法x,img3=cv2.threshold(img,150,255,cv2.THRESH_BINARY)x,img4=cv2.threshold(img1,150,255,cv2.THRESH_BINARY)x,img5=cv2.threshold(img2,150,255,cv2.THRESH_BINARY)#顯示原始圖像和恢復(fù)后的圖像plt.figure(figsize=(20,20))plt.subplot(221),plt.imshow(img,cmap='gray')plt.title('InputImage'),plt.xticks([]),plt.yticks([])plt.subplot(222),plt.imshow(img1,cmap='gray')plt.title('noiseimg'),plt.xticks([]),plt.yticks([])plt.subplot(223),plt.imshow(img4,cmap='gray')plt.title('segnoiseimg'),plt.xticks([]),plt.yticks([])plt.subplot(224),plt.imshow(img5,cmap='gray')plt.title('segblurimg'),plt.xticks([]),plt.yticks([])plt.show()2.迭代閾值圖像分割這一種自適應(yīng)的圖像分割方法，其主要思想是通過(guò)對(duì)圖像的灰度值進(jìn)行迭代，不斷調(diào)整閾值使得分割更加準(zhǔn)確。分割步驟如下：1.隨機(jī)選取一個(gè)初始閾值（可以是圖像的平均灰度值）2.根據(jù)該閾值將圖像分割成兩部分：小于等于閾值的部分為前景，大于閾值的部分為背景3.計(jì)算前景和背景的平均灰度值4.將前景和背景的平均灰度值的平均值作為新的閾值5.如果新的閾值和原來(lái)的閾值相同，則分割結(jié)束。否則，回到第2步，重復(fù)迭代直到收斂代碼：#

迭代閾值圖像分割法importnumpyasnpfromPILimportImage#讀取圖像img=Image.open('house.tif').convert('L')width,height=img.sizepixels=img.load()#初始化閾值threshold=150delta=1whiledelta>0:

#根據(jù)閾值將圖像分割

foreground=[]

background=[]

foryinrange(height):

forxinrange(width):

ifpixels[x,y]>threshold:

background.append(pixels[x,y])#大于閾值的部分為背景

else:

foreground.append(pixels[x,y])#小于等于閾值的部分為前景

avr_foreground=sum(foreground)//len(foreground)

avr_background=sum(background)//len(background)

#更新閾值

new_threshold=(avr_foreground+avr_background)//2

delta=abs(new_threshold-threshold)

threshold=new_threshold#重新分割圖像foryinrange(height):

forxinrange(width):

ifpixels[x,y]>threshold:

pixels[x,y]=255

else:

pixels[x,y]=0#顯示分割后的圖像img.show('result.jpg')優(yōu)點(diǎn)：

1.迭代閾值圖像分割相對(duì)于靜態(tài)閾值分割而言，具有更高的實(shí)用性和魯棒性。

2.該方法能夠有效地應(yīng)對(duì)光照變化、背景復(fù)雜多樣等情況下的圖像分割問(wèn)題。缺點(diǎn)：

對(duì)于大尺寸圖像，迭代閾值圖像分割的計(jì)算速度可能成為其一個(gè)缺點(diǎn)。3.

自適應(yīng)閾值圖像分割3.1常規(guī)方法分割步驟如下：1.針對(duì)輸入的灰度圖像，定義一個(gè)大小為N×NN×NN×N的窗口，在窗口中央選擇一個(gè)像素點(diǎn)作為處理的核心像素點(diǎn)。2.根據(jù)窗口內(nèi)的像素信息計(jì)算局部閾值，作為當(dāng)前像素的閾值，這個(gè)閾值可以是均值、中值、模式等統(tǒng)計(jì)量。3.將處理完的像素點(diǎn)和當(dāng)前像素點(diǎn)的局部閾值進(jìn)行比較，大于等于閾值的像素點(diǎn)設(shè)置為白色，小于閾值的像素點(diǎn)設(shè)置為黑色，分割出新的二值化圖像。4.將窗口向圖像的其他區(qū)域移動(dòng)，繼續(xù)對(duì)各個(gè)區(qū)域進(jìn)行高斯自適應(yīng)閾值分割，直到圖像的所有區(qū)域都被分割為二值化圖像。代碼：#自適應(yīng)閾值圖像分割importnumpyasnpfromPILimportImage#圖像預(yù)處理img=Image.open('house.tif').convert('L')width,height=img.sizepixels=img.load()block_size=11

#設(shè)置塊大小#分割圖像并計(jì)算局部閾值foryinrange(0,height,block_size):

forxinrange(0,width,block_size):

#獲取局部區(qū)域

region=[]

forjinrange(y,y+block_size):

foriinrange(x,x+block_size):

ifi<widthandj<height:

region.append(pixels[i,j])

#計(jì)算局部區(qū)域平均值作為閾值

threshold=sum(region)//len(region)

#對(duì)區(qū)域進(jìn)行二值化處理

forjinrange(y,y+block_size):

foriinrange(x,x+block_size):

ifi<widthandj<height:

ifpixels[i,j]>threshold:

pixels[i,j]=255

else:

pixels[i,j]=0#顯示分割后的圖像img.show('result.jpg')也可以直接調(diào)用cv2.adaptiveThreshold()函數(shù)實(shí)現(xiàn)。importcv2#讀取原始圖像img=cv2.imread('house.tif',0)#自適應(yīng)閾值分割img_thresh=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)#顯示結(jié)果cv2.imshow('OriginalImage',img)cv2.imshow('AdaptiveThresholding',img_thresh)cv2.waitKey(0)cv2.destroyAllWindows()3.2大津法（OTSU）大津法基于以下觀察結(jié)果：當(dāng)圖像被分為多個(gè)區(qū)域時(shí)，如果區(qū)域內(nèi)的像素值差異較小，區(qū)域的均值方差就會(huì)較小。而當(dāng)區(qū)域內(nèi)像素值差異較大時(shí)，區(qū)域的均值方差就會(huì)較大。因此，局部圖像的全局最佳閾值是能使類間方差最大的那個(gè)灰度級(jí)。步驟：代碼：importcv2#讀取圖片img=cv2.imread('house.tif