OpenCV二值图像——二值分析_二值图像函数

二值图像介绍

定义：二值图像首先是单通道，其次是非黑（0）即白（255）。
应用：二值图像在图像处理、对象检测与测量、缺陷检测、模式识别、机器人视觉等方面都有很重要的应用

图像阈值化分割

图像阈值化分割是指使用阈值对图像进行分割，基于一个简单的阈值T实现对图像二分类的分割，这是最简单的阈值化分割方法。
基于这个阈值，用阈值化分割方法来实现对图像的二分类分割，即像素值大于T的设为白色(255)，像素值小于或等于T的设为黑色(0)，最终得到二值图像。
OpenCV中的阈值化分割函数：

double threshold( InputArray src, OutputArray dst,  double thresh, double maxval, int type );

其中：
src与dst分别表示输入图像和输出图像，支持单通道与多通道，数据类型支持CV_8U与CV_32F；
thresh表示阈值；
maxval表示最大值，当图像数据类型为CV_8U时，其最大值为255，当图像数据类型为CV_32F时，其最大值为1.0；
type表示阈值化方法，❑THRESH_BINARY：二值化。❑THRESH_BINARY_INV：二值化反。❑THRESH_TRUNC：阈值截断。❑THRESH_TOZERO：阈值取零。❑THRESH_TOZERO_INV：阈值取零反。一般选THRESH_BINARY，具体效果看下图；
返回值：如果使用Otsu或Triangle方法,则返回计算出的阈值。
代码演示：

 cv::Mat src = cv::imread(\"./img/mini2_castle.jpg\"); if (src.empty()) {  qDebug() << \"image load failed!\"; return 0; } cv::Mat gray; cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); cv::Mat binary; // thresh怎么得来？127？ cv::threshold(gray, binary, 127, 255, cv::THRESH_BINARY); cv::imshow(\"THRESH_BINARY\", binary); cv::threshold(gray, binary, 127, 255, cv::THRESH_BINARY_INV); cv::imshow(\"THRESH_BINARY_INV\", binary); cv::threshold(gray, binary, 127, 255, cv::THRESH_TRUNC); cv::imshow(\"THRESH_TRUNC\", binary); cv::threshold(gray, binary, 127, 255, cv::THRESH_TOZERO); cv::imshow(\"THRESH_TOZERO\", binary); cv::threshold(gray, binary, 127, 255, cv::THRESH_TOZERO_INV); cv::imshow(\"THRESH_TOZERO_INV\", binary);

效果：
此处src为单通道灰度图片，如果src为三通道彩色图片（代码修改如下）：

 cv::Mat gray = src.clone();// cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); cv::Mat binary;

，则效果如下图：
由此可见，想要得到二值图片，则输入必须为为灰度图片。

如代码中所见thresh是怎么确定的呢？？图像二值化的阈值计算方法有很多，单从算法类型上来说，可以分为全局阈值计算和局部阈值计算（自适应阈值计算）两大类。OpenCV支持两种经典的全局阈值计算方法，分别是大津法与三角法。自适应阈值计算方法支持均值与高斯自适应两种。

全局阈值之大律法

该方法最早是由大津展之提出的，所以通常称为大津法。该方法主要基于图像灰度直方图信息，通过计算最小类内方差来寻找阈值T，并根据阈值T将图像分为前景（白色）或者背景（黑色）。
OpenCV可以通过threshold函数的type参数来设置是否支持大津法，当type参数设置为THRESH_OTSU，表示支持大律法。当使用大律法自动计算阈值时，threshold函数的输入图像(src)必须是单通道灰度图像。
首先需要把输入的图像转换为灰度图像，然后调用threshold函数完成二值化。
代码实现：

 cv::Mat src = cv::imread(\"./img/mini2_castle.jpg\"); if (src.empty()) {  qDebug() << \"image load failed!\"; return 0; } cv::Mat gray = src; cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); cv::Mat binary; cv::threshold(gray, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU); cv::imshow(\"binary\", binary);

效果：
使用大律法时，手动输入的阈值不会起作用，自动计算得到的阈值是threshold函数的返回值。

全局阈值之三角法

三角法与大津法都是基于直方图数据计算，最终实现阈值查找。三角法使用纯几何方法来寻找最佳阈值，它的成立条件是假设直方图的最大波峰在靠近最亮的一侧，然后通过三角形求得最大直线距离，根据最大直线距离所对应的直方图灰度等级即可求得分割阈值。
以上叙述过于专业，可以略过。，在OpenCV中调用三角法可以通过threshold函数的type参数来设置。当type参数设置为THRESH_TRIANGLE时，表示调用三角法。
代码实现：

 cv::threshold(gray, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_TRIANGLE); cv::imshow(\"triangle\", binary);

效果：
**在实际应用中，三角法适用于有单峰直方图的图像，大津法适用于有双峰直方图的图像。**单双峰可以通过绘制色彩直方图获得，此处不赘述。

自适应阈值

全局阈值计算方法对光照方向一致的图像会有很好的二值化效果，但是当光照方向不一致的时候，全局阈值计算会破坏图像的原有信息，导致二值图像的大量信息丢失，此时就需要一个更加智能的二值化分割算法，可以在亮度不均匀的情况下，抵消亮度对图像的影响，完成二值化分割。这个算法就是OpenCV中的自适应阈值分割。
OpenCV中的自适应阈值分割并不会真正产生一个局部阈值，而是先对输入的图像进行模糊处理，然后使用原图减去模糊图像得到一个差值图像，再使用常量阈值C来与每个差值进行比较，大于-C的则赋值为白色，否则为0。
根据选择的模糊方式不同，自适应阈值分割可以分为均值自适应分割与高斯自适应分割。

自适应阈值函数：

void adaptiveThreshold( InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C );

其中，src与dst分别是输入图像与输出图像，而且它们必须是8位单通道的。maxValue是赋值给满足自适应条件的前景图像灰度值，一般将maxValue设置为255即可。adaptiveMethod自适应方法当前支持均值自适应与高斯自适应两种方法thresholdType是阈值化类型。blockSize表示计算时候的窗口大小，而且必须是奇数，参数C为常量。
代码实现：

 cv::Mat src = cv::imread(\"./img/mini2_castle.jpg\"); if (src.empty()) {  qDebug() << \"image load failed!\"; return 0; } cv::Mat gray = src; cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); cv::Mat binary; cv::adaptiveThreshold(gray, binary, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 25, 10); cv::imshow(\"mean\", binary); cv::adaptiveThreshold(gray, binary, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 25, 10); cv::imshow(\"gauss\", binary);

去噪与二值化

图像二值化很容易受到图像噪声的影响，有时候噪声会影响图像二值化的后续处理。常见的解决方法是在图像二值化之前对图像进行去噪预处理，处理完成之后再进行图像二值化操作。
inRange实现二值化
在OpenCV中，inRange函数用于根据颜色范围从图像中提取特定的颜色区域。这个函数检查输入图像中的每个像素，如果像素值位于指定的范围内，则在输出图像（或掩码）中对应位置的像素被设置为白色（或者说是255），否则被设置为黑色（0）。这种方法在处理颜色过滤、颜色识别等任务时非常有用。
在RGB色彩空间中，一些特定颜色的背景物体或者对象因为区分度过低而无法通过inRange函数进行划分时，可以尝试先转换到HSV或者其他色彩空间，再通过inRange函数处理，这样通常能取得比较好的效果。

void inRange(InputArray src, InputArray lowerb, InputArray upperb, OutputArray dst);

其中，src：输入图像，通常是经过颜色空间转换后的图像，比如从BGR转换到HSV颜色空间的图像；
lowerb：颜色范围的下界，使用Scalar类型表示；
upperb：颜色范围的上界，使用Scalar类型表示；
dst：输出图像，是一个二值图像，其中符合颜色范围的像素被设置为255，不符合的被设置为0。
代码实现：

 cv::Mat img = cv::imread(\"./img/bgr.jpg\"); if (img.empty()) return 0; cv::imshow(\"img\", img); cv::Mat hsv, mask; cv::cvtColor(img, hsv, cv::COLOR_BGR2HSV); // 求得蓝色掩膜 cv::inRange(hsv, cv::Scalar(110, 50, 50), cv::Scalar(130, 255, 255), mask); cv::imshow(\"blue mask\", mask); // 找出原图蓝色区域 cv::Mat blue; cv::bitwise_and(img, img, blue, mask); cv::imshow(\"blue area\", blue);

效果：

总结1

图像二值化方法有：
1.基于全局阈值的threshold函数；
2.基于自适应阈值的adaptiveThreshold函数；
3.鲫鱼像素值范围的inRange函数；
4.基于边缘检测的Canny函数。

二值图像分析

1.连通组件标记（CCL）
CCL（Connected Component Labeling，连通组件标记）算法是图像分析中最常用的算法之一。CCL算法的实质是扫描一幅图像的每个像素，将位置相邻且值相同的像素点归为相同的组(group)，最终得到图像中所有像素的连通组件。完成对每个前景对象的合并与定位，为后续的分析与测量做好准备。
OpenCV中的连通组件扫描算法是在以上两步法的基础上改进的快速版本，实现了快速扫描算法BBDT（基于块的决策树）​。相关的函数有两个：
一个是基础版本的连通组件扫描，不包含每个组件的相关统计信息：

int connectedComponents(InputArray image, OutputArray labels, int connectivity = 8, int ltype = CV_32S);

其中，image为输入二值图像，黑色背景；labels为输出的标记；connectivity为连通域，默认是8连通域；输出的labels类型默认为CV_32S。
另一个是带有统计信息的连通组件扫描，在完成连通组件扫描的同时，输出每个扫描组件的统计信息：

int connectedComponentsWithStats(InputArray image, OutputArray labels,  OutputArray stats, OutputArray centroids,  int connectivity, int ltype, int ccltype);

其中，centroids是每个连通组件的中心坐标，stats参数表示的是连通组件