目录

引言1、threshold_otsu2、threshold_yen3、threshold_li4、threshold_isodata5、threshold_adaptive

引言

图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。

(相关资料图)

在skimage库中，阈值分割的功能是放在filters模块中。

我们可以手动指定一个阈值，从而来实现分割。也可以让系统自动生成一个阈值，下面几种方法就是用来自动生成阈值。

1、threshold_otsu

基于Otsu的阈值分割方法，函数调用格式：

skimage.filters.threshold_otsu(image,nbins=256)

参数image是指灰度图像，返回一个阈值。

from skimage import data,filters
import matplotlib.pyplot as plt
image = data.camera()
thresh = filters.threshold_otsu(image)   #返回一个阈值
dst =(image <= thresh)*1.0   #根据阈值进行分割
plt.figure("thresh",figsize=(8,8))
plt.subplot(121)
plt.title("original image")
plt.imshow(image,plt.cm.gray)
plt.subplot(122)
plt.title("binary image")
plt.imshow(dst,plt.cm.gray)
plt.show()

返回阈值为87，根据87进行分割得下图:

2、threshold_yen

使用方法同上：

thresh = filters.threshold_yen(image)

返回阈值为198，分割如下图：

3、threshold_li

使用方法同上：

thresh = filters.threshold_li(image)

返回阈值64.5，分割如下图：

4、threshold_isodata

阈值计算方法：

threshold = (image[image <= threshold].mean() +image[image > threshold].mean()) / 2.0

使用方法同上：

thresh = filters.threshold_isodata(image)

返回阈值为87，因此分割效果和threshold_otsu一样。

5、threshold_adaptive

调用函数为：

skimage.filters.threshold_adaptive(image,block_size,method="gaussian"）

block_size: 块大小，指当前像素的相邻区域大小，一般是奇数（如3，5，7。。。）

method: 用来确定自适应阈值的方法，有"mean", "generic", "gaussian" 和 "median"。

省略时默认为gaussian

该函数直接访问一个阈值后的图像，而不是阈值。

from skimage import data,filters
import matplotlib.pyplot as plt
image = data.camera()
dst =filters.threshold_adaptive(image, 15) #返回一个阈值图像
plt.figure("thresh",figsize=(8,8))
plt.subplot(121)
plt.title("original image")
plt.imshow(image,plt.cm.gray)
plt.subplot(122)
plt.title("binary image")
plt.imshow(dst,plt.cm.gray)
plt.show()

大家可以修改block_size的大小和method值来查看更多的效果。如：

dst1 =filters.threshold_adaptive(image,31,"mean") 
dst2 =filters.threshold_adaptive(image,5,"median")

两种效果如下：

以上就是python数字图像处理之图像自动阈值分割示例的详细内容，更多关于python数字图像自动阈值分割的资料请关注脚本之家其它相关文章！

关键词： 使用方法 数字图像处理 灰度图像 二值图像