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 cv2
import numpy as np
from 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 cv2
import random
import numpy as np
from matplotlib import pyplot as plt
img = 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 + noise
img1 = 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 np
from PIL import Image

# 读取图像
img = Image.open('house.tif').convert('L')
width, height = img.size
pixels = img.load()

# 初始化阈值
threshold = 150
delta = 1
while 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) // 2
    delta = 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] = 255
        else:
            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 np
from PIL import Image

# 图像预处理
img = Image.open('house.tif').convert('L')
width, height = img.size
pixels = 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] = 255
                    else:
                        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