arcgis图像二值化,arcgis栅格二值化
系列文章
Python OpenCV图像处理()—— OpenCV框架及图像插值算法
Python()——几何变换中的OpenCV图像处理
Python CV图像处理(3) 3354色彩空间交换
OpenCV图像处理(IV) 3354图像过滤
OpenCV图像处理(V) 3354图像阈值和二值化
OpenCV图像处理(VI) 3354边缘检测
目录、图像阈值和二值化5.1简介5.2简单阈值5.3最大类间方差法(Otsu阈值法)5.4自适应阈值
动词（verb的缩写）介绍图像阈值和二值化5.1
图像阈值分割是图像分析、特征提取和模式识别前必不可少的图像预处理过程。图像阈值化的目的是根据灰度划分像素集合，得到的每个子集将形成与真实场景相对应的区域。每个区域都具有相同的属性，但相邻区域不相同。
5.2简单门槛在这里，问题很直白。对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数cv.threshold用于应用阈值。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了不同类型的阈值，这些阈值由函数的第四个参数给出。使用简历。THRESH_BINARY类型。所有简单的阈值类型都是
对于图像阈值分割，最简单的方法是，像素值高于阈值(TH)就设为最大值，低于阈值就设为最小值。比如像素值为0~255的图像，如果大于TH，则设置为255。小于th，设置为0。这种简单的方法也称为二值化。可以用cv2。OpenCV中的THRESH_BINARY。常见的简单阈值分割示意图如下：
二值阈值化——像素值大于阈值的设为最大值，小于阈值的设为最小值，大于阈值的设为最小值，小于阈值的设为最大值，大于阈值的设为阈值，小于阈值的设为0，大于阈值的设为0。保持原始像素值低于阈值，并将其设置为0 ——。保持原始像素值高于阈值，并将其设置为低于阈值的0。这些简单的阈值方法对应于OpenCV中的函数，如下所示：
2.Thresh _ binarycv2。Thresh _ binary _ invcv2。Thresh _ truncv2。Thresh _ toZerocv2。Thresh _ to zero _ inv这些函数有两个返回值，第一个返回值是使用的阈值，第二个返回值是阈值化后的图像。
实现
# % % import cv2 import numpy as NP from matplotlib import py plot as pl timg=cv2 . im read( Lena . jpg ，0)ret，thresh1=cv2.threshold(img，127，255，cv2。THRESH_BINARY)ret，thresh2=cv2.threshold(img，127，255，cv2。THRESH_BINARY_INV)ret，thresh3=cv2.threshold(img，127，255，cv2。THRESH_TRUNC)ret，thresh4=cv2.threshold(img，127，255，cv2。THRESH_TOZERO)ret，thresh5=cv2.threshold(img，127，255，cv2。THRESH_TOZERO_INV)titles=[原始图像，二进制，二进制_INV ， TRUNC ， TOZERO ， TOZERO_INV]images=[img，thresh1，thresh2，thresh3，thresh4，THRESH 5]for I in range(6):plt . subplot(2，3，1)，PLT .IM SHOW (images [I]， gray) #避免灰度图像PLT的颜色映射。标题(标题[I]) PLT。x ticks([])、PLT . y ticks([])# remove scale # PLT . save fig( big pic _ 2 . png )PLT . show()cv2 . im show( binbin ，thresh 1)cv2 . im show( binbin thresh 2)cv2 . im show( TRUNC ，thresh3)cv2.imshow(TOZERO ，thresh4)cv2.imshow(TOZERO_INV ，thresh5)cv2.waitKey(中
5.3最大类间方差法(OTSU阈值法)对于图像二值化的简单阈值法，我们需要自己提供一个阈值，而Otsu法可以根据图像特点选择最佳阈值，因此也被认为是图像分割中阈值选择的最佳算法，计算简单，不受图像亮度和对比度的影响。从Otsu法的原理来看，这种方法又叫最大类间方差法，因为根据Otsu法得到的阈值对图像进行二值分割后，前景和背景图像的类间方差最大。
它根据图像的灰度特性将图像分为背景和前景两部分。方差是灰度分布均匀性的度量。背景和前景之间的差异越大，图像的两个部分之间的差异就越大。当前景的一部分被误认为背景或者背景的一部分被误认为前景时，两部分的差别会变小。因此，最大化类间方差的分割意味着最小的误分类概率。
应用：这是寻找图像全局阈值的最佳方法。应用不言而喻，适用于大多数需要图像全局阈值的场合。
优点：计算简单快速，不受图像亮度和对比度的影响。
缺点：对图像噪点敏感；只能针对单个目标进行拆分；当目标和背景大小比例较宽，类间方差函数可能出现双峰或多峰时，此时效果不好。
原理很简单，涉及的知识点是均值、方差等概念和一些公式推导。为了便于理解，让我们从目的出发，把著名的OTSU算法推回去。
找出类别之间的差异：
OTSU算法的假设是，存在一个阈值TH，将一幅图像中的所有像素分为C1(小于TH)和C2(大于TH)两类，那么这两类像素各自的平均值为m1和m2，图像的全局平均值为mG。同时，像素被分类到C1和C2类别的概率分别是p1和p2。因此，有：
根据原文，公式(4)可以进一步修改：
# % % import cv2 import numpy as NP from matplotlib import py plot as pltmg=cv2 . im read( Lena . jpg ，0) # global threshold ret1，TH1=cv2.threshold (img，127，255，2 .thresh _ binary)# otsu Threshold ret 2，TH2=cv2.threshold (img，0，255，cv2 . thresh _ binary cv2 . thresh _ Otsu)cv2 . im show(原图，img) cv2.imshow(二进制)，TH1) CV2.imshow (OTSU ，TH2)cv2 . waitkey(0)cv2 . destructily Windows()5.4自适应阈值无论是前面的简单阈值法还是后面的Otsu算法，这些算法都属于全局阈值法，所以
根据图像中的每个小区域，计算相应的阈值。因此，在同一幅图像的不同区域使用不同的阈值，这样我们就可以在不同的亮度下得到更好的结果。
这个方法要求我们指定三个参数，并且只有一个返回值。
自适应方法指定计算阈值的方法。
-cv2。ADAPTIVE_THRESH_MEAN_C:阈值取自相邻区域的平均值。
-CV2。Adaptive _ thresh _ Gaussian _ C:阈值取自相邻区域的加权和，权重为滑稽谷物窗口。
大小邻域大小(用于计算阈值的区域大小)
c是常数，阈值等于平均值或加权平均值减去这个常数。
# % % import cv2 import numpy as NP from matplotlib import py plot as pl timg=cv2。我读(’18。png ，0)ret，th1=cv2.threshold(img，127，255，cv2 .THRESH_BINARY)# Otsu阈值ret2，th2=cv2.threshold(img，0，255，cv2 .THRESH_BINARY cv2 .OTSU)# 11为块大小，2为C值th3=cv2.adaptiveThreshold(img，255，cv2 .自适应_阈值_均值_C，cv2 .THRESH_BINARY，11，2)th4=cv2。自适应阈值(img，255，cv2 .自适应_阈值_高斯_C，cv2 .THRESH_BINARY，11，2)titles=[原始图像,全局阈值(v=127)， otus阈值,自适应均值阈值,自适应高斯阈值]images=[img，th1，th2，th3，th4]for I in range(5):PLT。subplot(2，3，i 1)，plt.imshow(images[i]， gray )PLT。标题(标题[I])plt。xticks([])，plt.yticks([])#plt.savefig()
