youcans_已于 2022-06-02 09:36:11 修改
3227
收藏 2
分类专栏：
# OpenCV例程/youcans 文章标签：
opencv python 图像处理 计算机视觉 算法版权
OpenCV例程/youcans专栏收录该内容261 篇文章1666 订阅
订阅专栏
欢迎关注
『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
OpenCV 例程200篇 总目录-202205更新【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
3.4 全局阈值处理改进方法
在实际的
图像处理中，噪声严重影响阈值处理的结果，严重的噪声会把简单的阈值处理问题变为不能解决的问题。
例程 11.21：使用 Laplace 边缘信息改进全局阈值处理
对于酵母细胞图像，希望通过全局阈值处理等等图像中与亮点对应的区域。如果直接使用
OTSU 方法可以分割细胞区域，但不能检测亮点。
使用 Laplace
算子计算梯度，可以得到亮点的边缘像素，忽略背景区域像素对直方图的贡献，可以改善直方图的分布，从而便于通过阈值处理进行分割。
具体步骤如下：
（1）计算图像 f ( x , y ) f(x,y)f(x,y) 的 Laplace 算子，得到梯度图像；
（2）以灰度值的 99.5% 分位为阈值，对梯度图像进行二值处理，作为遮罩模板，以排除无效背景像素的影响；
（3）基于遮罩模板计算图像 f ( x , y ) f(x,y)f(x,y) 的直方图分布，即只对 g T ( x , y ) = 1 g_T(x,y)=1gT(x,y)=1 的像素进行统计计算；
（4）基于遮罩模板的直方图分布，采用 OTSU 算法计算最佳分割阈值；
（5）使用 OTSU 算法得到的最佳分割阈值，对图像 f ( x , y ) f(x,y)f(x,y) 进行全局阈值处理。
注意本例中用 OTSU 算法求非零像素的最佳分割阈值，不能通过调用 cv2.threshold() 获得。
# 11.21 使用 Laplace 边缘信息改进全局阈值处理 img = cv2.imread("../images/Fig1043a.tif", flags=0) # # 全局阈值处理，作为参照比较 histCV1 = cv2.calcHist([img], [0], None, [256], [0, 256]) # 灰度直方图 ret1, imgOtsu = cv2.threshold(img, 127, 255, cv2.THRESH_OTSU) # 阈值分割, thresh=T # (1) 计算 Laplacian 梯度算子 laplace = cv2.Laplacian(img, cv2.CV_32F, ksize=3) # Laplace 卷积算子 grad = cv2.convertScaleAbs(laplace) gradMax = np.int(np.max(grad)) # (2) 以灰度值的 99.5% 分位为阈值, 对边缘图像进行二值处理, 作为遮罩模板 per995 = np.percentile(grad, q=99.5) # 99.5 分位的灰度值, [0, per995] 占比99.5% _, gradPer995 = cv2.threshold(np.uint8(grad), per995, 1, cv2.THRESH_BINARY) # 对边缘图像二值处理 # (3) 计算基于遮罩模板的直方图分布，以排除无效背景像素的影响 fp = np.uint8(img * gradPer995) histCV2 = cv2.calcHist([fp], [0], None, [256], [0, 256]) histCV2[0] = 0 # fp 非零像素直方图 # (4) OTSU 算法计算 fp 非零像素的最佳分割阈值 # nonzeroPixels = np.count_nonzero(gradPer995) # 非零像素总数 nonzeroPixels = sum(histCV2[1:]) # 非零像素总数 totalGray = np.dot(histCV2[:,0], range(256)) # 内积, 总和灰度值 mG = totalGray / nonzeroPixels # 平均灰度 icv = np.zeros(256) numFt, sumFt = 0, 0 for t in range(0, 256): # 遍历灰度值 numFt += histCV2[t,0] # F(t) 像素数量 sumFt += histCV2[t,0] * t # F(t) 灰度值总和 pF = numFt / nonzeroPixels # F(t) 像素数占比 mF = (sumFt/numFt) if numFt>0 else 0 # F(t) 平均灰度 numBt = nonzeroPixels-numFt # B(t) 像素数量 sumBt = totalGray - sumFt # B(t) 灰度值总和 pB = numBt / nonzeroPixels # B(t) 像素数占比 mB = (sumBt/numBt) if numBt>0 else 0 # B(t) 平均灰度 icv[t] = pF * (mF-mG)**2 + pB * (mB-mG)**2 # OTSU 算法: 灰度 t 的类间方差 maxIcv = max(icv) # ICV 的最大值 maxIndex = np.argmax(icv) # 最大值的索引 print(per995, nonzeroPixels, maxIcv, maxIndex) # 使用 fp 非零像素的最佳分割阈值，对原始图像进行固定阈值处理 ret, imgBin = cv2.threshold(img, maxIndex, 255, cv2.THRESH_BINARY) # 以 maxIndex 作为最优阈值 plt.figure(figsize=(10, 7)) plt.subplot(231), plt.axis('off'), plt.title("Origin"), plt.imshow(img, 'gray') plt.subplot(232,yticks=[]), plt.axis([0,255,0,np.max(histCV1)]) plt.bar(range(256), histCV1[:,0]), plt.title("Gray Hist") plt.subplot(233), plt.title("OTSU binary(T={})".format(round(ret1))), plt.axis('off') plt.imshow(imgOtsu, 'gray') plt.subplot(234), plt.axis('off'), plt.title("Threshold of Laplacian") plt.imshow(gradPer995, cmap='gray') # 遮罩模板，Laplacian 995 分位 plt.subplot(235, yticks=[]), plt.title("Hist of boundries") # 直方图 plt.bar(range(256), histCV2[:,0]) plt.subplot(236), plt.title("OTSU by Laplacian(T={})".format(maxIndex)), plt.axis('off') plt.imshow(imgBin, 'gray') plt.show()1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
（本节完）
