簡單圖像處理：用用二值化吧！

引入

一張圖像顯示在顯示屏上的時(shí)候，它斑斕多彩，輪廓分明（可你放的明明是張灰度圖！），而當(dāng)它被轉(zhuǎn)化到數(shù)字設(shè)備當(dāng)中的時(shí)候，我們看到的就將會(huì)是下面的情形：

是的，所有的色彩最后都會(huì)被變?yōu)橐粋€(gè)個(gè)數(shù)字，在0到255之間來回徘徊，在一個(gè)個(gè)矩陣中被圍困（突然詩意起來）。可以這樣說，矩陣就是圖像在數(shù)碼設(shè)備中的表現(xiàn)形式。而正是因?yàn)樗麄冇蛇@些數(shù)字組成，才給了我們機(jī)會(huì)去用數(shù)字的方法來支配他們。

對于一張圖片，我們往往不會(huì)對每一個(gè)地方都相同地感興趣，總有一些特殊東西才是我們的目標(biāo)。將目標(biāo)區(qū)域和不想要的背景區(qū)域區(qū)分開我們就可以對這些數(shù)字下手。下面我們就說道說道二值化的那些事兒~

二值化

說起二值化，我們可以先來看看二值圖像

二值圖像（Binary Image）是指圖像上的每一個(gè)像素只有兩種可能的取值或灰度等級狀態(tài)的圖像。通常來講就是我們常?？匆姷摹胺呛诩窗住钡膱D像，也就是說，圖像像素的灰度值無論在什么數(shù)據(jù)類型中都只有最大值和最小值兩種取值。這種圖像色彩類型少，可以進(jìn)行高度的壓縮，利于節(jié)省儲(chǔ)存空間。

相應(yīng)的，二值化就是把非二值圖像經(jīng)過計(jì)算變成二值圖像。

在openCV4中有threshold()和adaptiveThreshold()可以來實(shí)現(xiàn)圖像的二值化。

那么下面就先來介紹前一種啦

輸入輸出的圖像以及閾值和最大值大家都應(yīng)該和好理解，那么什么是二值化方法的標(biāo)志參數(shù)呢？

下面的表中大致就是可能會(huì)用的的一些標(biāo)志參數(shù)和它們的含義：

下圖是前五種方法做二值化之后的信號(hào)示意圖：

如同標(biāo)志參數(shù)的作用介紹中說的，前五中標(biāo)志參數(shù)都需要人為地設(shè)定一個(gè)閾值，之后才能進(jìn)行二值化。人們進(jìn)行二值化的目的往往是為了把目標(biāo)物體和其他的東西分離開，形成圖像的分割，但是有的時(shí)候?yàn)榱朔謩e這兩者而設(shè)定的閾值往往不是那么簡單就可以分得出來的，或者說，在對原始圖像的灰度值分布不是那么了解的情況下是很難設(shè)定到自己想要的那種閾值的。

于是就有了下面的兩個(gè)標(biāo)志參數(shù)可以用來獲取閾值：THRESH_OTSU（大津法）THRESH_TRIANGLE（三角形法）

問

那么什么是大津法呢

百度百科教我的：大津法也就是最大類間方差法是由日本學(xué)者大津(Nobuyuki Otsu)于1979年提出的，是一種自適合于雙峰情況的自動(dòng)求取閾值的方法，簡稱OTSU。它是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分。背景和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小。因此，使類間方差最大的分割意味著錯(cuò)分概率最小。

這是某一張圖像的灰度直方圖，我們可以看到它其實(shí)很明顯地呈現(xiàn)出了適合利用大津法求閾值的雙峰情況（灰度大都集中在某兩個(gè)分離的區(qū)域之間），對某一假設(shè)的灰度值閾值將圖像的灰度值分成背景和目標(biāo)兩部分，計(jì)算兩組灰度值之間的類間方差，得到的方差值大致如圖中的紅色點(diǎn)所示。于是理所當(dāng)然的，方差最高點(diǎn)所對應(yīng)的灰度值正是我們能夠合理分開目標(biāo)和背景的閾值。

但是由于這兩種方法往往是基于全局閾值，當(dāng)圖像中有一部分過度曝光或者說有陰影遮擋時(shí)，用這樣的閾值選取方法就會(huì)顯得有點(diǎn)不太好。

比如說，當(dāng)你晚上寫下一篇英語作文，想要拍照上傳給老師批改，而在上傳到某掃描王軟件時(shí)，往往就會(huì)發(fā)生這樣的事情：

于是我們就理所當(dāng)然地想：有沒有可以讓這整張圖中的字母大多數(shù)都能看清的方法呢？

很高興，有的！

我們就要用到adaptiveThreshold()，它可以幫助我們得到局部自適應(yīng)的閾值。（當(dāng)然，先把圖像分割，再用全局函數(shù)也不失為一種方法，不過相對比來說還是直接用adaptiveThreshold()來得更加方便快捷。

adaptive_mean是均值法自適應(yīng)計(jì)算blockSize×blockSize鄰域內(nèi)的閾值，在這之后就可以進(jìn)行二值化了。

因?yàn)槭蔷植康拈撝?，所以就可以更加明確地在每一個(gè)地方都有比較好的區(qū)分，可以把大部分范圍內(nèi)的內(nèi)容都更好地分割開來。

編輯：jq