基於Python的圖像閾值化分割（迭代法）

基於Python的圖像閾值化分割（迭代法）

1.閾值化分割原理

經過對圖像的灰度直方圖進行數學統計，選擇一個或多個閾值將像素劃分爲若干類。通常狀況下，當圖像由灰度值相差較大的目標和背景組成時，若是目標區域內部像素灰度分佈均勻一致，背景區域像素在另外一個灰度級上也分佈均勻，這時圖像的灰度直方圖會呈現出雙峯特性。
在這種狀況下，選取位於這兩個峯值中間的谷底對應的灰度值T做爲灰度閾值，將圖像中各個像素的灰度值與這個閾值進行比較，根據比較的結果將圖像中的像素劃分到兩個類中。像素灰度值大於閾值T的像素點歸爲一類，其他像素點歸爲另外一類。經閾值化處理後的圖像g(x,y)定義爲：

其中f(x,y)爲原圖像，T爲灰度閾值，g(x,y)爲分割後產生的二值圖像。

2.算法流程圖

3.代碼實現

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
#讀入圖片並轉化爲矩陣
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
#像素點灰度值小於最佳閾值t0用0填充，其他用255填充
im = np.where(im[...,:] < t0, 0, 255)

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

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

#繪製閾值化分割後圖像
plt.figure()
plt.imshow(Image.fromarray(im) , cmap='gray')
plt.title('new')

#繪製閾值化分割後圖像的直方圖
plt.figure()
plt.hist(im.ravel(),256)
plt.title('hist')

plt.show()

4.閾值化分割結果

原始圖像

原始圖像直方圖

閾值化分割後圖像

閾值化分割後圖像直方圖