机器学习小白，还不快pick一下——【视觉与图像：阈值分割】

先前小天邀请老王和大家聊到Python+OpenCV的第5波：颜色空间转换（点蓝字即可打开），那么接下来老王给同学们带来的是Python+OpenCV第6篇章：阈值分割，还不快收藏🔒住！

文章交代：

• 学习使用不同的阈值方法”二值化”图像

推荐人群：

• 初级入门、机器学习小白、技术爱好者

【图片可到文末👇本节源码下载。】

• 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()

cv2.threshold()用来实现阈值分割，ret是return value缩写，代表当前的阈值，暂时不用理会。函数有4个参数：

• 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：最大阈值，一般为255

• 参数4：阈值的方式，主要有5种，详情：http://t.cn/EfZhnbq

下面结合代码理解下这5种阈值方式：

Tips：很多人误以为阈值分割就是二值化。从上图中可以发现，两者并不等同，阈值分割结果是两类值，而不是两个值，所以教程开头我把二值化加了引号。

看得出来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。它有5个参数，其实很好理解，先看下效果：

• 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

1. ADAPTIVE_THRESH_MEAN_C：小区域内取均值

2. ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核

• 参数4：阈值方式（跟前面讲的那5种相同）

• 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

如果你没看懂上面的参数也不要紧，暂时会用就行，当然我建议你调整下参数看看不同的结果。

在前面固定阈值中，我们是随便选了一个阈值如127，那如何知道我们选的这个阈值效果好不好呢？答案是：不断尝试，所以这种方法在很多文献中都被称为经验阈值。Otsu阈值法就提供了一种自动高效的二值化方法，不过我们直方图还没学，这里暂时略过。

好吧，我知道激起了你的兴趣~ o(￣▽￣)o，有能力的童鞋可以看下继续往下看番外篇~

cv2.threshold()用来进行固定阈值分割。固定阈值不适用于光线不均匀的图片，所以用 cv2.adaptiveThreshold()进行自适应阈值分割。 二值化跟阈值分割并不等同。针对不同的图片，可以采用不同的阈值方法。

Otsu阈值是一种高效的二值化算法，请阅读（番外篇）👇

引用

• 本节源码 http://t.cn/EfZcSIJ

• Image Thresholding http://t.cn/EfZcHyc

大部分图像处理任务都需要先进行二值化操作，阈值的选取很关键，Otsu阈值法会自动计算阈值。

Otsu阈值法（日本人大津展之提出的，也可称大津算法）非常适用于双峰图片，啥意思呢？

Otsu N. A threshold selection method from gray-level histograms[J]. IEEE transactions on systems, man, and cybernetics, 1979, 9(1): 62-66. （http://t.cn/EfZx2dl）

1.什么是双峰图片

双峰图片就是指图片的灰度直方图上有两个峰值，直方图就是每个值（0~255）的像素点个数统计，后面会详细介绍。

Otsu算法假设这副图片由前景色和背景色组成，通过统计学方法（最大类间方差）选取一个阈值，将前景和背景尽可能分开，我们先来看下代码，然后详细说明下算法原理。

2.代码示例

下面这段代码对比了使用固定阈值和Otsu阈值后的不同结果：

另外，对含噪点的图像，先进行滤波操作效果会更好。

下面我们用Matplotlib把原图、直方图和阈值图都显示出来：

可以看到，Otsu阈值明显优于固定阈值，省去了不断尝试阈值判断效果好坏的过程。其中，绘制直方图时，使用了numpy中的ravel()函数，它会将原矩阵压缩成一维数组，便于画直方图。

Otsu算法详解

Otsu阈值法将整幅图分为前景（目标）和背景，以下是一些符号规定：

• T：分割阈值

• N0：前景像素点数

• N1：背景像素点数

• ω0：前景的像素点数占整幅图像的比例

• ω1：背景的像素点数占整幅图像的比例

• μ0：前景的平均像素值

• μ1：背景的平均像素值

• μ：整幅图的平均像素值

• rows×cols：图像的行数和列数

结合下图会更容易理解一些，有一副大小为4×4的图片，假设阈值T为1，那么：

其实很好理解，N0+N1就是总的像素点个数，也就是行数乘列数：

ω0和ω1是前/背景所占的比例，也就是：

整幅图的平均像素值就是：

‍‍此时，我们定义一个前景μ0与背景的方差：‍‍

将前述的1/2/3公式整合在一起，便是：

g就是前景与背景两类之间的方差，这个值越大，说明前景和背景的差别也就越大，效果越好。Otsu算法便是遍历阈值T，使得g最大，所以又称为最大类间方差法。基本上双峰图片的阈值T在两峰之间的谷底。‍‍

引用

• 本节源码 http://t.cn/EfZcSIJ http://t.cn/EfZp5Vg

• numpy.ravel http://t.cn/EfZpQL9

• Otsu’s Method(wikipedia) http://t.cn/EfZpFlb

• Image Thresholding http://t.cn/EfZcHyc

• 一维OTSU法、最小交叉熵法、二维OTSU法及C++源码 http://t.cn/EfZ0gBq

• Otsu N. A threshold selection method from gray-level histograms[J]. IEEE transactions on systems, man, and cybernetics, 1979, 9(1): 62-66. http://t.cn/EfZOfK3

如果你也有想分享的干货，可以登录天池实验室（notebook），包括赛题的理解、数据分析及可视化、算法模型的分析以及一些核心的思路等内容。

小天会根据你分享内容的数量以及程度，给予丰富的神秘天池大礼以及粮票奖励。分享成功后你也可以通过下方钉钉群👇主动联系我们的社区运营同学（钉钉号：doqclsn 或 yiwen1991）

天池宝贝们有任何问题，可在戳“留言”评论或加入钉钉群留言，小天会认真倾听每一个你的建议！

点击下方图片即可阅读