阈值处理

阈值处理用于从灰度图像创建二值图像[1]。这是从背景中分割对象的最简单方法。

scikit-image 中实现的阈值处理算法可以分为两类

• 基于直方图。使用像素强度的直方图，并对该直方图的属性（例如，双峰）做出某些假设。

• 局部。要处理一个像素，只使用相邻的像素。这些算法通常需要更多的计算时间。

如果您不熟悉不同算法的详细信息和基本假设，通常很难知道哪种算法会给出最佳结果。因此，Scikit-image 包含一个函数来评估库提供的阈值处理算法。只需看一眼，您就可以为您的数据选择最佳算法，而无需深入了解它们的机制。

[1]

https://en.wikipedia.org/wiki/Thresholding_%28image_processing%29

另请参阅

关于秩滤波器的演示。

import matplotlib.pyplot as plt

from skimage import data
from skimage.filters import try_all_threshold

img = data.page()

fig, ax = try_all_threshold(img, figsize=(10, 8), verbose=False)

plt.show()

如何应用阈值？

现在，我们将演示如何应用这些阈值处理算法之一。此示例使用像素强度的平均值。这是一个简单而幼稚的阈值，有时用作猜测值。

from skimage.filters import threshold_mean


image = data.camera()
thresh = threshold_mean(image)
binary = image > thresh

fig, axes = plt.subplots(ncols=2, figsize=(8, 3))
ax = axes.ravel()

ax[0].imshow(image, cmap=plt.cm.gray)
ax[0].set_title('Original image')

ax[1].imshow(binary, cmap=plt.cm.gray)
ax[1].set_title('Result')

for a in ax:
    a.set_axis_off()

plt.show()

双峰直方图

对于具有双峰直方图的图片，可以使用更具体的算法。例如，最小值算法获取图像的直方图并重复平滑它，直到直方图中只有两个峰值。

from skimage.filters import threshold_minimum


image = data.camera()

thresh_min = threshold_minimum(image)
binary_min = image > thresh_min

fig, ax = plt.subplots(2, 2, figsize=(10, 10))

ax[0, 0].imshow(image, cmap=plt.cm.gray)
ax[0, 0].set_title('Original')

ax[0, 1].hist(image.ravel(), bins=256)
ax[0, 1].set_title('Histogram')

ax[1, 0].imshow(binary_min, cmap=plt.cm.gray)
ax[1, 0].set_title('Thresholded (min)')

ax[1, 1].hist(image.ravel(), bins=256)
ax[1, 1].axvline(thresh_min, color='r')

for a in ax[:, 0]:
    a.set_axis_off()

plt.show()

大津法[2]通过最大化由阈值分隔的两类像素之间的方差来计算“最佳”阈值（在下面的直方图中用红线标记）。等效地，此阈值最小化类内方差。

[2] (1,2)

https://en.wikipedia.org/wiki/Otsu’s_method

from skimage.filters import threshold_otsu

image = data.camera()
thresh = threshold_otsu(image)
binary = image > thresh

fig, ax = plt.subplots(ncols=3, figsize=(8, 2.5))

ax[0].imshow(image, cmap=plt.cm.gray)
ax[0].set_title('Original')
ax[0].axis('off')

ax[1].hist(image.ravel(), bins=256)
ax[1].set_title('Histogram')
ax[1].axvline(thresh, color='r')

ax[2].imshow(binary, cmap=plt.cm.gray)
ax[2].set_title('Thresholded')
ax[2].set_axis_off()

plt.show()

局部阈值处理

如果图像背景相对均匀，则可以使用上面介绍的全局阈值。但是，如果背景强度变化很大，则自适应阈值处理（又名局部或动态阈值处理）可能会产生更好的结果。请注意，局部阈值处理比全局阈值处理慢得多。

在这里，我们使用threshold_local函数对图像进行二值化，该函数计算每个像素周围具有特征大小block_size的区域（即局部邻域）中的阈值。每个阈值是局部邻域的加权平均值减去一个偏移值。

from skimage.filters import threshold_otsu, threshold_local


image = data.page()

global_thresh = threshold_otsu(image)
binary_global = image > global_thresh

block_size = 35
local_thresh = threshold_local(image, block_size, offset=10)
binary_local = image > local_thresh

fig, axes = plt.subplots(nrows=3, figsize=(7, 8))
ax = axes.ravel()
plt.gray()

ax[0].imshow(image)
ax[0].set_title('Original')

ax[1].imshow(binary_global)
ax[1].set_title('Global thresholding')

ax[2].imshow(binary_local)
ax[2].set_title('Local thresholding')

for a in ax:
    a.set_axis_off()

plt.show()

现在，我们展示如何局部应用大津阈值[2]方法。对于每个像素，通过最大化由结构元素定义的局部邻域的两类像素之间的方差来确定“最佳”阈值。

该示例将局部阈值与全局阈值进行比较。

from skimage.morphology import disk
from skimage.filters import threshold_otsu, rank
from skimage.util import img_as_ubyte


img = img_as_ubyte(data.page())

radius = 15
footprint = disk(radius)

local_otsu = rank.otsu(img, footprint)
threshold_global_otsu = threshold_otsu(img)
global_otsu = img >= threshold_global_otsu

fig, axes = plt.subplots(2, 2, figsize=(8, 5), sharex=True, sharey=True)
ax = axes.ravel()
fig.tight_layout()

fig.colorbar(ax[0].imshow(img, cmap=plt.cm.gray), ax=ax[0], orientation='horizontal')
ax[0].set_title('Original')
ax[0].set_axis_off()

fig.colorbar(
    ax[1].imshow(local_otsu, cmap=plt.cm.gray), ax=ax[1], orientation='horizontal'
)
ax[1].set_title(f'Local Otsu (radius={radius})')
ax[1].set_axis_off()

ax[2].imshow(img >= local_otsu, cmap=plt.cm.gray)
ax[2].set_title('Original >= Local Otsu')
ax[2].set_axis_off()

ax[3].imshow(global_otsu, cmap=plt.cm.gray)
ax[3].set_title('Global Otsu (threshold = {threshold_global_otsu})')
ax[3].set_axis_off()

plt.show()