图像分割-基于阈值处理的基本方法

1.固定阈值法——直方图双峰法该方法基于图像直方图上出现的双峰现象。当一个图像有双峰现象时，其直方图会出现两个峰，分别对应图像中两种不同的颜色或亮度区域。这时我们可以使用直方图双峰法来自动确定合适的阈值。其基本思路如下：1.计算图像的灰度直方图。2.根据直方图的两个峰的位置，计算出两个峰之间的阈值，作为图像的阈值。3.根据计算出的阈值对图像进行二值化处理，将图像分成目标和背景两个部分。注意：该方法只适用于存在双峰现象的图像，对于单峰或峰不明显的图像，则需要使用其他的阈值分割方法。使用cv2.threshold(src,thresh,maxval,type)函数。常用的阈值处理方法有：代码：#直方图双峰法importcv2importnumpyasnpfrommatplotlibimportpyplotasplt#读取图像(阈值处理方法不同)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)#显示原始图像和恢复后的图像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()这种全局阈值处理方法缺点是对噪声的处理的效果并不好，需要进行平滑处理。importcv2importrandomimportnumpyasnpfrommatplotlibimportpyplotaspltimg=cv2.imread('house.tif',0)#加上高斯噪声noise=np.random.normal(0,100,size=img.size).reshape(img.shape[0],img.shape[1])img1=img+noiseimg1=np.clip(img1,0,255)#平滑处理img2=cv2.GaussianBlur(img1,(5,5),0)#直方图双峰法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)#显示原始图像和恢复后的图像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.迭代阈值图像分割这一种自适应的图像分割方法，其主要思想是通过对图像的灰度值进行迭代，不断调整阈值使得分割更加准确。分割步骤如下：1.随机选取一个初始阈值（可以是图像的平均灰度值）2.根据该阈值将图像分割成两部分：小于等于阈值的部分为前景，大于阈值的部分为背景3.计算前景和背景的平均灰度值4.将前景和背景的平均灰度值的平均值作为新的阈值5.如果新的阈值和原来的阈值相同，则分割结束。否则，回到第2步，重复迭代直到收敛代码：#

迭代阈值图像分割法importnumpyasnpfromPILimportImage#读取图像img=Image.open('house.tif').convert('L')width,height=img.sizepixels=img.load()#初始化阈值threshold=150delta=1whiledelta>0:

#根据阈值将图像分割

foreground=[]

background=[]

foryinrange(height):

forxinrange(width):

ifpixels[x,y]>threshold:

background.append(pixels[x,y])#大于阈值的部分为背景

else:

foreground.append(pixels[x,y])#小于等于阈值的部分为前景

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

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

#更新阈值

new_threshold=(avr_foreground+avr_background)//2

delta=abs(new_threshold-threshold)

threshold=new_threshold#重新分割图像foryinrange(height):

forxinrange(width):

ifpixels[x,y]>threshold:

pixels[x,y]=255

else:

pixels[x,y]=0#显示分割后的图像img.show('result.jpg')优点：

1.迭代阈值图像分割相对于静态阈值分割而言，具有更高的实用性和鲁棒性。

2.该方法能够有效地应对光照变化、背景复杂多样等情况下的图像分割问题。缺点：

对于大尺寸图像，迭代阈值图像分割的计算速度可能成为其一个缺点。3.

自适应阈值图像分割3.1常规方法分割步骤如下：1.针对输入的灰度图像，定义一个大小为N×NN×NN×N的窗口，在窗口中央选择一个像素点作为处理的核心像素点。2.根据窗口内的像素信息计算局部阈值，作为当前像素的阈值，这个阈值可以是均值、中值、模式等统计量。3.将处理完的像素点和当前像素点的局部阈值进行比较，大于等于阈值的像素点设置为白色，小于阈值的像素点设置为黑色，分割出新的二值化图像。4.将窗口向图像的其他区域移动，继续对各个区域进行高斯自适应阈值分割，直到图像的所有区域都被分割为二值化图像。代码：#自适应阈值图像分割importnumpyasnpfromPILimportImage#图像预处理img=Image.open('house.tif').convert('L')width,height=img.sizepixels=img.load()block_size=11

#设置块大小#分割图像并计算局部阈值foryinrange(0,height,block_size):

forxinrange(0,width,block_size):

#获取局部区域

region=[]

forjinrange(y,y+block_size):

foriinrange(x,x+block_size):

ifi<widthandj<height:

region.append(pixels[i,j])

#计算局部区域平均值作为阈值

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

#对区域进行二值化处理

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#显示分割后的图像img.show('result.jpg')也可以直接调用cv2.adaptiveThreshold()函数实现。importcv2#读取原始图像img=cv2.imread('house.tif',0)#自适应阈值分割img_thresh=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)#显示结果cv2.imshow('OriginalImage',img)cv2.imshow('AdaptiveThresholding',img_thresh)cv2.waitKey(0)cv2.destroyAllWindows()3.2大津法（OTSU）大津法基于以下观察结果：当图像被分为多个区域时，如果区域内的像素值差异较小，区域的均值方差就会较小。而当区域内像素值差异较大时，区域的均值方差就会较大。因此，局部图像的全局最佳阈值是能使类间方差最大的那个灰度级。步骤：代码：importcv2#读取图片img=cv2.imread('house.tif