scikit-image 中用于图像分割的阈值算法
scikit-image 简介与安装
由于图像阈值技术是许多计算机视觉应用中的关键步骤，因此许多算法库中都包含阈值技术，其中就包括 scikit-image。 scikit-image 是用于图像处理的算法包，其详细介绍可以参考官方网站，由 scikit-image 操作的图像需要先转换为 NumPy 数组。 在本文中，我们将利用 scikit-image 实现阈值技术。如果还没有安装 scikit-image 库，首先需要使用以下命令安装 scikit-image：
pip install scikit-image 复制代码
使用 scikit-image 进行阈值处理
为了在 scikit-image 中使用阈值算法，我们以 Otsu 的二值化算法对测试图像进行阈值处理为例进行介绍。第一步是导入所需的包：
from skimage.filters import threshold_otsu from skimage import img_as_ubyte 复制代码
然后使用 scikit-image 应用 Otsu 的二值化算法：
# 加载图像 image = cv2.imread('example.png') gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256]) # 基于 otsu 方法的返回阈值 thresh = threshold_otsu(gray_image) # 生成布尔数组： binary = gray_image > thresh # 转换为uint8数据类型 binary = img_as_ubyte(binary) 复制代码threshold_otsu(gray_image) 函数根据 Otsu 的二值化算法返回阈值。之后，使用此值构建二进制图像( dtype= bool )，最后应将其转换为 8 位无符号整数格式( dtype=uint8 )以进行可视化，使用img_as_ubyte() 函数完成转换过程。 程序输出如下图所示：
接下来，介绍下如何使用 scikit-image 中的一些其它阈值技术。
scikit-image 中的其他阈值技术
接下来，将对比 Otsu、triangle、Niblack 和 Sauvola 阈值技术进行阈值处理的不同效果。 Otsu 和 triangle 是全局阈值技术，而 Niblack 和 Sauvola 是局部阈值技术。当背景不均匀时，局部阈值技术则是更好的方法阈值处理方法。
同样的，第一步是导入所需的包：
from skimage.filters import threshold_otsu, threshold_triangle, threshold_niblack, threshold_sauvola from skimage import img_as_ubyte import cv2 import matplotlib.pyplot as plt 复制代码
调用每个阈值方法( threshold_otsu()、threshold_niblack()、threshold_sauvola() 和 threshold_triangle() )，以使用 scikit-image 对比执行阈值操作：
# Otsu thresh_otsu = threshold_otsu(gray_image) binary_otsu = gray_image > thresh_otsu binary_otsu = img_as_ubyte(binary_otsu) # Niblack thresh_niblack = threshold_niblack(gray_image, window_size=25, k=0.8) binary_niblack = gray_image > thresh_niblack binary_niblack = img_as_ubyte(binary_niblack) # Sauvola thresh_sauvola = threshold_sauvola(gray_image, window_size=25) binary_sauvola = gray_image > thresh_sauvola binary_sauvola = img_as_ubyte(binary_sauvola) # triangle thresh_triangle = threshold_triangle(gray_image) binary_triangle = gray_image > thresh_triangle binary_triangle = img_as_ubyte(binary_triangle) 复制代码
程序输出如下图所示：
如上图所示，当图像不均匀时，局部阈值方法可以提供更好的结果。因此，可以将这些局部阈值方法应用于文本识别。 最后，我们了解一个更加有趣的阈值算法—— Multi-Otsu 阈值技术，其可用于将输入图像的像素分为多个不同的类别，每个类别根据图像内灰度的强度计算获得。 Multi-Otsu 根据所需类别的数量计算多个阈值，默认类数为3，此时将获得三个类别，算法返回两个阈值，由直方图中的红线表示。
import matplotlib import numpy as np import cv2 from skimage import data from skimage.filters import threshold_multiotsu image = cv2.imread('8.png') image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用默认值调用 threshold_multiotsu() thresholds = threshold_multiotsu(image) regions = np.digitize(image, bins=thresholds) def show_img_with_matplotlib(img, title, pos, cmap): ax = plt.subplot(1, 3, pos) plt.imshow(img, cmap=cmap) plt.title(title, fontsize=8) plt.axis('off') fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(10, 3.5)) # 绘制灰度图像 show_img_with_matplotlib(image, 'Original', 1, cmap='gray') # 可视化直方图 ax[1].hist(image.ravel(), bins=255) ax[1].set_title('Histogram') for thresh in thresholds: ax[1].axvline(thresh, color='r') # 可视化 Multi Otsu 结果 show_img_with_matplotlib(regions, 'Multi-Otsu result', 3, cmap='jet') plt.subplots_adjust() plt.show() 复制代码可以通过修改 threshold_multiotsu 的 classes 参数来改变类别数，以观察不同效果：
# 将类别数修改为4 thresholds = threshold_multiotsu(image, classes=3) regions = np.digitize(image, bins=thresholds) 复制代码
scikit-image 也提供了其他更多的阈值技术，可以参阅 API 文档，以查看所有可用方法。
小结
本文中，我们介绍了如何使用 scikit-image 中的不同阈值算法，包括两种全局阈值技术( Otsu 和 三角形二值算法)和两种局部阈值技术( Niblack 和 Sauvola 算法)。
作者：盼小辉丶
链接：https://juejin.cn/post/7032492977108975653