快捷導(dǎo)航

基于Python的圖像閾值化分割(迭代法)

更新時間：2020年11月20日 10:20:09 作者：大牌Anderson

這篇文章主要介紹了基于Python的圖像閾值化分割(迭代法),文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

1.閾值化分割原理

通過對圖像的灰度直方圖進行數(shù)學(xué)統(tǒng)計，選擇一個或多個閾值將像素劃分為若干類。一般情況下，當(dāng)圖像由灰度值相差較大的目標(biāo)和背景組成時，如果目標(biāo)區(qū)域內(nèi)部像素灰度分布均勻一致，背景區(qū)域像素在另一個灰度級上也分布均勻，這時圖像的灰度直方圖會呈現(xiàn)出雙峰特性。

在這種情況下，選取位于這兩個峰值中間的谷底對應(yīng)的灰度值T作為灰度閾值，將圖像中各個像素的灰度值與這個閾值進行比較，根據(jù)比較的結(jié)果將圖像中的像素劃分到兩個類中。像素灰度值大于閾值T的像素點歸為一類，其余像素點歸為另一類。經(jīng)閾值化處理后的圖像g(x,y)定義為：

在這里插入圖片描述

其中f(x,y)為原圖像，T為灰度閾值，g(x,y)為分割后產(chǎn)生的二值圖像。

2.算法流程圖

在這里插入圖片描述

3.代碼實現(xiàn)

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
#讀入圖片并轉(zhuǎn)化為矩陣
img = plt.imread('2.jpg')
im = np.array(img)

# 矩陣大小
l = len(im)
w = len(im[0])

#求初始閾值
zmin = np.min(im)
zmax = np.max(im)
t0 = int((zmin+zmax)/2)

#初始化相關(guān)變量初始化
t1=0
res1=0
res2=0
s1=0
s2=0

#迭代法計算最佳閾值
while abs(t0-t1)>0:
 for i in range(0,l-1):
  for j in range(0,w-1):
   if im[i,j]<t0:
    res1=res1+im[i,j]
    s1=s1+1
   elif im[i,j]>t0:
    res2=res2+im[i,j]
    s2=s2+1
 avg1=res1/s1
 avg2=res2/s2
 res1 = 0
 res2 = 0
 s1 = 0
 s2 = 0
 t1 = t0   #舊閾值儲存在t1中
 t0=int((avg1+avg2)/2)  #計算新閾值

#閾值化分割
#像素點灰度值小于最佳閾值t0用0填充，其余用255填充
im = np.where(im[...,:] < t0, 0, 255)

#繪制原圖窗口
plt.figure()
plt.imshow(img , cmap='gray')
plt.title('original')

#繪制原圖直方圖并顯示最佳閾值
plt.figure()
plt.hist(img.ravel(),256)
plt.title('hist')
plt.axvline(t0)  #繪制最佳閾值分割線
plt.text(25, 6100, "Best Threshold:{}".format(t0), size = 15, alpha = 0.8)

#繪制閾值化分割后圖像
plt.figure()
plt.imshow(Image.fromarray(im) , cmap='gray')
plt.title('new')

#繪制閾值化分割后圖像的直方圖
plt.figure()
plt.hist(im.ravel(),256)
plt.title('hist')

plt.show()

4.閾值化分割結(jié)果

原始圖像

在這里插入圖片描述