python学opencv|读取图像（三十九 ）阈值处理Otsu方法

【1】引言

前序学习了5种阈值处理方法，包括(反)阈值处理、(反)零值处理和截断处理，还学习了一种自适应处理方法，相关文章链接为：

python学opencv|读取图像（三十三）阈值处理-灰度图像-CSDN博客

python学opencv|读取图像（三十四）阈值处理-彩色图像-CSDN博客

python学opencv|读取图像（三十五）反阈值处理-CSDN博客

python学opencv|读取图像（三十六）（反）零值处理-CSDN博客

python学opencv|读取图像（三十七 ）截断处理-CSDN博客

python学opencv|读取图像（三十八 ）阈值自适应处理-CSDN博客

在上述所有文章中，阈值开关都是自己随机设置的，因此，实际效果可能未必是最佳。

如果有一种方法，可以让函数自动选取最佳阈值开关，那就能时刻获得最佳的阈值处理效果，这个方法就是：“阈值处理参数+Otsu”。

【2】官网教程

Otsu方法的说明，点击下方链接可以直达：

OpenCV: Miscellaneous Image Transformations

官网页面关于Otsu方法的说明为：

图1

实际上，使用Otsu方法时，必须配合前述5种阈值处理方法一起进行阈值调整。因为Otsu方法本身是来辅助选择最优的阈值开关，所以阈值处理方法还需要保留。

在下述官网示例说明中，我们会看到这一解释：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcf.png',0) #读取图像
dst=src#输出图像# 读取图片-函数转化灰度图
src1 = cv.imread('srcf.png') #读取图像
dst1=cv.cvtColor(src1,cv.COLOR_BGR2GRAY) #转化为灰度图dstt=np.hstack((dst,dst1)) #两种灰度图拼接在一起

OpenCV: Image Thresholding

图2

【3】代码测试

首先引入必要的模块和原图像：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcf.png',0) #读取图像
dst=src#输出图像# 读取图片-函数转化灰度图
src1 = cv.imread('srcf.png') #读取图像
dst1=cv.cvtColor(src1,cv.COLOR_BGR2GRAY) #转化为灰度图dstt=np.hstack((dst,dst1)) #两种灰度图拼接在一起

然后进行Otsu处理，为进行对比，也做了零值处理：

#阈值处理
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO+cv.THRESH_OTSU) #零值+OTSU
dsto=np.hstack((dst2,dst3)) #两种阈值处理图拼接在一起

之后显示图像和保存图像：

# 在屏幕展示效果
cv.imshow('srcdstt', dstt)  # 在屏幕展示效果
cv.imshow('srcdsto', dsto)  # 在屏幕展示效果#显示BGR值
print("dst1像素数为[100,100]位置处的BGR=", dst1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst2像素数为[100,100]位置处的BGR=", dst2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst3像素数为[100,100]位置处的BGR=", dst3[100, 100])  # 获取像素数为[100,100]位置处的BGR#保存图像
cv.imwrite('srcf-dstt.png', dstt)  # 保存图像
cv.imwrite('srcf-dst2.png', dst3)  # 保存图像
cv.imwrite('srcf-dsto.png', dsto)  # 保存图像cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

此处使用的原始图像为：

图3

转化后的灰度图为：

图4 灰度图

进行单纯零值处理和零值处理+OTSU处理后的图像为：

图5 单纯零值处理和零值处理+OTSU处理

由图5可见，右侧为零值处理+OTSU处理后的图像，更趋向于突出轮廓边线。

由于OTSU处理图像会自动选择最佳阈值开关，所以我们输出了特定位置的BGR值：

图6 特定像素点BGR值

dst1为转后的原始灰度图，dst2为单纯零值处理图，dst3为零值处理+OTSU处理后的图像。

由图6可见，零值处理+OTSU处理后的图像，自动选择的阈值开关也没有超过156，所以这两个图在像素点[100][100]处的BGR值完全相等。

【4】细节说明

使用Otsu方法的时候，依然调用cv2.threshold()函数，虽然此时Otsu会自动选择阈值开关，但仍然需要在阈值开关的位置写"0"。

图7 提前设定阈值开关为0

【5】总结

掌握了python+opencv实现Otsu自动调整阈值开关的操作技巧。