10- OpenCV：基本阈值操作（Threshold）

本文主要是介绍10- OpenCV：基本阈值操作（Threshold），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、图像阈值

2、阈值类型

3、代码演示

1、图像阈值

（1）图像阈值（threshold）含义：是将图像中的像素值划分为不同类别的一种处理方法。通过设定一个特定的阈值，将像素值与阈值进行比较，根据比较结果将像素分为两个或多个类别。

阈值是什么？简单点说是把图像分割的标尺，这个标尺是根据什么产生的，阈值产生算法？阈值类型。（Binary segmentation）

（2）阈值的API

double threshold(

InputArray src, // 输入灰度图像

OutputArray dst, // 输出图像

double thresh, // 预设的阈值

double maxval, // 大于等于阈值的像素设置的最大值

int type // 阈值类型，将小于阈值的像素设置为0，大于等于阈值的像素设置为最大值。

);

需要注意的是，阈值的选择对于图像处理的效果非常重要，可以根据具体需求调整阈值的数值和阈值类型。另外，threshold函数还可以进行自适应阈值处理、Otsu阈值处理等更高级的图像分割方法。

2、阈值类型

（1）阈值二值化（threshold binary）：

将图像分为两个类别，通常是将灰度图像转换为黑白图像。像素值小于等于阈值的被归为一类，大于阈值的被归为另一类。

左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值。

例子演示：（以二值化阈值为例）

假设有一幅灰度图像，像素值的范围是0到255。我们希望将图像中的目标物体分割出来，背景设置为黑色。

首先，选择一个合适的阈值，比如设定阈值为128。

对于每个像素，如果像素值<=128，则将其设置为黑色(0)，否则设置为白色(255)。

重复上述步骤，对图像中的所有像素进行处理。

通过这个简单的二值化阈值处理，我们可以将图像中的目标物体与背景分离出来，得到一个二值图像，其中目标物体的像素值为白色，背景为黑色。

（2）阈值反二值化（threshold binary Inverted）

左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值。

（3）截断 (truncate)

左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值

（4）阈值取零 (threshold to zero)

左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值。

（5）阈值反取零（threshold to zero inverted）

左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值。

（6）THRESH_OTSU：标志来应用Otsu阈值处理。

Otsu方法是一种自动确定图像阈值的算法，它可以根据图像的灰度分布自适应地选择最佳阈值。

threshold(grayImage, dst, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);

Otsu会自动进行阈值设置，所以预设值为0即可，最大为255.

（7）THRESH_TRIANGLE：标志进行阈值处理。

它可以根据图像的灰度分布自适应地选择最佳阈值。THRESH_TRIANGLE方法通过寻找直方图的双峰之间的谷底来确定阈值。

需要注意的是，THRESH_TRIANGLE方法适用于具有双峰灰度分布的图像，对于其他类型的图像效果可能不理想。因此，在使用THRESH_TRIANGLE阈值处理之前，建议先观察图像的灰度直方图，确保图像具有双峰特性。

总结：阈值分割有5种方法，阈值寻找有2种方法。

另外可以了解：

（1）多级化阈值：将图像分为多个类别，每个类别代表一种特定的像素强度范围。通常用于图像分割和物体识别任务。

（2）自适应阈值：根据图像局部区域的统计特征来确定阈值，使得不同区域具有相对合适的阈值。适用于图像不均匀光照或对比度变化较大的情况。

（3）基于直方图的阈值：利用图像的直方图信息来确定阈值，如Otsu's方法、基于最大类间方差、基于最小错误率等。

3、代码演示

（1）了解下createTrackbar，很实用一个接口。

createTrackbar是OpenCV中用于创建滑动条的函数。它可以在图像窗口中创建一个滑动条，通过滑动条来调整参数或阈值，实现实时交互。

int createTrackbar(

const String& trackbarname, // 滑动条的名称

const String& winname, // 滑动条所在的窗口名称

int* value, int count, // 初始值
TrackbarCallback onChange = 0, // 滑动条的最大值
void* userdata = 0 // 滑动条的回调函数

);

（2）例子展示

#include<opencv2\opencv.hpp>
#include<iostream>
#include <math.h>using namespace cv;// 图像阈值
Mat src, gray_src, dst;
int threshold_value = 127;
int threshold_max = 255;
int type_value = 2;
int type_max = 4;
const char* input_title = "input image";
const char* output_title = "binary image";
void Threshold_Demo(int, void*);
int main(int argc, char** argv)
{src = imread("test.jpg");if (!src.data){printf("could not load image...");return -1;}namedWindow(input_title, CV_WINDOW_AUTOSIZE);namedWindow(output_title, CV_WINDOW_AUTOSIZE);imshow(input_title, src);createTrackbar("Threshold Value:", output_title, &threshold_value, threshold_max, Threshold_Demo);createTrackbar("Type Value:", output_title, &type_value, type_max, Threshold_Demo);Threshold_Demo(0, 0);waitKey(0);return 0;
}void Threshold_Demo(int, void*)
{cvtColor(src, gray_src, CV_BGR2GRAY);// 单纯阈值的二值化// threshold(gray_src, dst, threshold_value, threshold_max, THRESH_BINARY);//THRESH_OTSU去找阈值的话，就会忽略预设的阈值，所以为0即可，最大值是255threshold(gray_src, dst, 0, 255, THRESH_OTSU | type_value);imshow(output_title, dst);
}

效果展示：