1  基于阈值

1.1  灰度阈值化

灰度阈值化,是最简单,速度最快的图像分割方法,广泛用于硬件图像处理领域 (例如,基于 FPGA 的实时图像处理等)。

设输入图像 $f$,输出图像 $g$,则阈值化公式为:

$\quad g(i, j) = \begin{cases} 1 & \text{当 f(i, j) ≥ T 时} \\0 & \text{当 f(i, j) < T 时} \\ \end{cases} $

即,遍历图像中所有像素,当像素值 $f (i, j) ≥ T$ 时,分割后的图像元素 $g (i, j)$ 是物体像素,否则为背景像素。

当各物体不接触,且 物体和背景的灰度值差别比较明显 时,灰度阈值化是非常合适的分割方法。

1.2  固定阈值化

固定阈值化函数为 threshold,如下:

double cv::threshold (
InputArray  src,   // 输入图像 (单通道,8位或32位浮点型)
OutputArray  dst,  // 输出图像 (大小和类型,都同输入)
double    thresh, // 阈值
double    maxval, // 最大灰度值(使用 THRESH_BINARY 和 THRESH_BINARY_INV类型时)
int      type   // 阈值化类型(THRESH_BINARY, THRESH_BINARY_INV; THRESH_TRUNC; THRESH_TOZERO, THRESH_TOZERO_INV)
)

1) THRESH_BINARY

$\qquad dst(x, y) = \begin{cases} maxval & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases} $

2) THRESH_TRUNC

$\qquad dst(x, y) = \begin{cases} threshold & \text{if src(x, y) > thresh} \\src(x, y) & \text{otherwise} \\ \end{cases} $

3) THRESH_TOZERO

$\qquad dst(x, y) = \begin{cases} src(x, y) & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases} $

1.3  自适应阈值化

整幅图像使用同一个阈值做二值化,对于一些情况并不适用,尤其是当图像中的不同区域,照明条件各不相同时。这种情况下,就需要自适应阈值算法,该算法可根据像素所在的区域,来确定一个适合的阈值。因此,对于一幅图中光照不同的区域,可取各自不同的阈值做二值化。

OpenCV 中,自适应阈值化函数为 adaptiveThreshold(),如下:

void cv::adaptiveThreshold (
InputArray src, //
OutputArray dst, //
double maxValue, //
int adaptiveMethod, // 自适应阈值算法,目前有 ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C 两种
int thresholdType, // 阈值化类型,同 threshold() 中的 type
int blockSize, // 邻域大小
double C //
)

1.4  示例

1)阈值化类型和阈值可选的代码示例,摘自 OpenCV 例程,略作修改

#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp" using namespace cv; int threshold_value = ;
int threshold_type = ;
int const max_value = ;
int const max_type = ;
int const max_BINARY_value = ; Mat src, src_gray, dst;
const char* window_name = "Threshold Demo"; const char* trackbar_type = "Type: \n 0: Binary \n 1: Binary Inverted \n 2: Truncate \n 3: To Zero \n 4: To Zero Inverted";
const char* trackbar_value = "Value"; void Threshold_Demo(int, void*); int main( int, char** argv )
{
// 读图
src = imread("Musikhaus.jpg",IMREAD_COLOR);
if( src.empty() )
return -; // 转化为灰度图
cvtColor( src, src_gray, COLOR_BGR2GRAY );
// 显示窗口
namedWindow( window_name, WINDOW_AUTOSIZE );
// 滑动条 - 阈值化类型
createTrackbar( trackbar_type, window_name, &threshold_type,max_type,Threshold_Demo);
// 滑动条 - 阈值
createTrackbar( trackbar_value,window_name, &threshold_value,max_value,Threshold_Demo); Threshold_Demo(, ); waitKey();
} void Threshold_Demo(int, void*)
{
/* 0: Binary
1: Binary Inverted
2: Threshold Truncated
3: Threshold to Zero
4: Threshold to Zero Inverted
*/
threshold(src_gray, dst, threshold_value, max_BINARY_value, threshold_type);
imshow(window_name, dst);
}

2)全局阈值和自适应阈值的比较,代码如下:

#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp> using namespace cv; int main()
{
// read an image
Mat img = imread("sudoku.png");
cvtColor(img,img,COLOR_BGR2GRAY); // adaptive
Mat dst1, dst2, dst3;
threshold(img, dst1, , , THRESH_BINARY);
adaptiveThreshold(img, dst2, ,ADAPTIVE_THRESH_MEAN_C ,THRESH_BINARY,,);
adaptiveThreshold(img, dst3, ,ADAPTIVE_THRESH_GAUSSIAN_C ,THRESH_BINARY,,); // show images
imshow("img", img);
imshow("threshold", dst1);
imshow("mean_c", dst2);
imshow("gauss_c", dst3); waitKey();
}

对比显示的结果为:

2  基于边缘

前一篇 <OpenCV 之 边缘检测> 中,介绍了三种常用的边缘检测算子: Sobel, Laplace 和 Canny 算子。

实际上,边缘检测的结果是一个个的点,并不能作为图像分割的结果,必须采用进一步的处理,将边缘点沿着图像的边界连接起来,形成边缘链。

2.1  轮廓函数

OpenCV 中,可在图像的边缘检测之后,使用 findContours 寻找到轮廓,该函数参数如下:

image 一般为二值化图像,可由 compare, inRange, threshold , adaptiveThreshold, Canny 等函数来获得;

hierarchy 为可选的参数,如果不选择该参数,则可得到 findContours 函数的第二种形式;

// 形式一
void findContours (
InputOutputArray image, // 输入图像
OutputArrayOfArrays contours, // 检测到的轮廓
OutputArray hierarchy, // 可选的输出向量
int mode, // 轮廓获取模式 (RETR_EXTERNAL, RETR_LIST, RETR_CCOMP,RETR_TREE, RETR_FLOODFILL)
int method, // 轮廓近似算法 (CHAIN_APPROX_NONE, CHAIN_APPROX_SIMPLE, CHAIN_APPROX_TC89_L1, CHAIN_APPROX_TC89_KCOS)
Point offset = Point() // 轮廓偏移量
)
// 形式二
void findContours (
  InputOutputArray   image,
  OutputArrayOfArrays contours,
  int    mode,
  int    method,
  Point   offset = Point()
)

drawContours 函数参数如下:

void drawContours (
InputOutputArray image, // 目标图像
InputArrayOfArrays contours, // 所有的输入轮廓
int  contourIdx, //
const Scalar & color, // 轮廓颜色
int thickness = , // 轮廓线厚度
int lineType = LINE_8, //
InputArray hierarchy = noArray(), //
int maxLevel = INT_MAX, //
Point offset = Point() //
)

2.2  例程

  代码摘自 OpenCV 例程,略有修改

#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp" using namespace cv;
using namespace std; Mat src,src_gray;
int thresh = ;
int max_thresh = ;
RNG rng(); void thresh_callback(int, void* ); int main( int, char** argv )
{
// 读图
src = imread("Pillnitz.jpg", IMREAD_COLOR);
if (src.empty())
return -; // 转化为灰度图
cvtColor(src, src_gray, COLOR_BGR2GRAY );
blur(src_gray, src_gray, Size(,) ); // 显示
namedWindow("Source", WINDOW_AUTOSIZE );
imshow( "Source", src ); // 滑动条
createTrackbar("Canny thresh:", "Source", &thresh, max_thresh, thresh_callback ); // 回调函数
thresh_callback( , ); waitKey();
} // 回调函数
void thresh_callback(int, void* )
{
Mat canny_output;
vector<vector<Point> > contours;
vector<Vec4i> hierarchy; // canny 边缘检测
Canny(src_gray, canny_output, thresh, thresh*, ); // 寻找轮廓
findContours( canny_output, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(, ) ); Mat drawing = Mat::zeros( canny_output.size(), CV_8UC3); // 画出轮廓
for( size_t i = ; i< contours.size(); i++ ) {
Scalar color = Scalar( rng.uniform(, ), rng.uniform(,), rng.uniform(,) );
drawContours( drawing, contours, (int)i, color, , , hierarchy, , Point() );
} namedWindow( "Contours", WINDOW_AUTOSIZE );
imshow( "Contours", drawing );
}

以 Dresden 的 Schloss Pillnitz 为源图,输出如下:

参考资料

OpenCV Tutorials / imgproc module / Basic Thresholding Operations

OpenCV Tutorials / imgproc module / Finding contours in your image

OpenCV-Python Tutorials / Image Processing in OpenCV / Image Thresholding

<图像处理、分析与机器视觉>_第3版  第 6 章

Topological structural analysis of digitized binary images by border following [J], Satoshi Suzuki, 1985

更新记录

2020年4月26日,增加 “1.3  自适应阈值化” 和 “1.4 示例 - 自适应阈值代码

最新文章

  1. 如何让用户只能访问特定的数据库(MSSQL)
  2. Android Action Bar简介
  3. loadrunner常用术语
  4. memcached 介绍
  5. A Tour of Go Exercise: Loops and Functions
  6. SqlServer Change Data Capture(CDC)数据变更捕获
  7. UVa1605 - Building for UN(构造法)
  8. spring mvc DispatcherServlet详解前传---HttpServletBean类
  9. OpenXML_导入Excel到数据库
  10. [转]C语言的那些秘密之---函数返回局部变量
  11. linux cpu亲和性设置
  12. 剑指offer 二叉搜索树与双向链表
  13. 初识Hibernate之环境搭建
  14. Linxu指令--date,cal
  15. python flask 基础入门
  16. 巩固java(一)----java与对象
  17. java.lang.IllegalArgumentException Expected MultipartHttpServletRequest
  18. sync_binlog innodb_flush_log_at_trx_commit 浅析【转】
  19. centos7 安装jdk8 bash脚本 并配置环境变量
  20. 【转】python文件和目录操作方法大全(含实例)

热门文章

  1. Windows Server 2016中,安装PHP Manager,ARR3.0或者URL Rewrite 2.0无法成功的解决办法
  2. CentOS-Zabbix-agent客户端的编译安装
  3. android 本地数据库sqlite的封装
  4. (HTTPS)-https原理及tomcat配置https方法
  5. 利刃 MVVMLight 10:Messenger 深入
  6. [C++][OpenGL]自己写GUI(0)——介绍
  7. Java经典编程题50道之十八
  8. (原创) Maven查看JAR包的依赖关系
  9. iOS CAShapeLayer、CADisplayLink 实现波浪动画效果
  10. Javascript数组操作详细解答