图像分割—基于阈值处理的基本方法

文章目录

• 前言
• 一、基于阈值的分割方法
• • 1.1 固定阈值法——直方图双峰法
  • 1.2 迭代阈值图像分割
  • 1.3 自适应阈值图像分割
  • • 1.3.1 常规方法
    • 1.3.2 大津法（OTSU）
• 参考文献：

前言

本文主要介绍图像分割基于阈值处理的一些基本方法。

一、基于阈值的分割方法

1.1 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：

1.THRESH_BINARY 二值阈值化该方法将像素值与设定的阈值进行比较，若像素值大于等于阈值，则将该像素值设为最大值，否则设为0。可以用于处理灰度图像与彩色图像。2.THRESH_BINARY_INV 反二值阈值化该方法将像素值与设定的阈值进行比较，若像素值小于阈值，则将该像素值设为最大值，否则设为0。可以用于处理灰度图像与彩色图像。3.THRESH_TRUNC 截断阈值化该方法将像素值与设定的阈值进行比较，若像素值大于等于阈值，则将该像素值设为阈值，否则不更改。可以用于处理灰度图像。4.THRESH_TOZERO 零阈值化该方法将像素值与设定的阈值进行比较，若像素值大于等于阈值，则不更改，否则设为0。可以用于处理灰度图像。5.THRESH_TOZERO_INV 反零阈值化该方法将像素值与设定的阈值进行比较，若像素值小于等于阈值，则不更改，否则设为0。可以用于处理灰度图像

代码：

# 直方图双峰法import cv2import numpy as npfrom matplotlib import pyplot as plt# 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('Input Image'), plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(img1, cmap='gray')plt.title('seg img THRESH_BINARY'), plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(img2, cmap='gray')plt.title('seg img THRESH_TRUNC'), plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(img3, cmap='gray')plt.title('seg img THRESH_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。

import cv2import randomimport numpy as npfrom matplotlib import pyplot as pltimg = 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('Input Image'), plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(img1, cmap='gray')plt.title('noise img'), plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(img4, cmap='gray')plt.title('seg noise img '), plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(img5, cmap='gray')plt.title('seg blur img '), plt.xticks([]), plt.yticks([])plt.show()

1.2 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import numpy as npfrom PIL import Image# 读取图像img = Image.open('house.tif').convert('L')width, height = img.sizepixels = img.load()# 初始化阈值threshold = 150delta = 1while delta > 0:# 根据阈值将图像分割foreground = []background = []for y in range(height):for x in range(width):if pixels[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) // 2delta = abs(new_threshold - threshold)threshold = new_threshold# 重新分割图像for y in range(height):for x in range(width):if pixels[x, y] > threshold:pixels[x, y] = 255else: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。

1.3 自适应阈值图像分割

1.3.1 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 $N\times N$ 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import numpy as npfrom PIL import Image# 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for y in range(0, height, block_size):for x in range(0, width, block_size):# 获取局部区域region = []for j in range(y, y+block_size):for i in range(x, x+block_size):if i < width and j < 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for j in range(y, y+block_size):for i in range(x, x+block_size):if i < width and j < height:if pixels[i, j] > threshold:pixels[i, j] = 255else: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。

import cv2# 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('Original Image', img)cv2.imshow('Adaptive Thresholding', img_thresh)cv2.waitKey(0)cv2.destroyAllWindows()

1.3.2 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：

import cv2# 读取图片img = cv2.imread('house.tif', 0)# 大津法阈值分割ret, img_thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 显示结果cv2.imshow('Original Image', img)cv2.imshow('OTSU Thresholding', img_thresh)cv2.waitKey(0)cv2.destroyAllWindows()

优点：多种检测任务效果较好。缺点：计算量比较大，适用于数据量较小的图像分割场合。

参考文献：

[1] 阮秋琦，阮宇智译；（美）拉斐尔·C.冈萨雷斯，理查德·E.伍兹.国外电子书与通信教材系列 数字图像处理 第4版[M].北京：电子工业出版社,2020