Python OpenCV 影像處理：影像二值化

► 前言

本篇將介紹使用OpenCV Python對於圖像上的二值化操作，二值化主要用途包括圖像分割、物體偵測、文字識別等。這種轉換可以幫助檢測圖像中的物體或特定特徵，並提取有用的信息。透過程式碼的說明，讓各位了解OpenCV Python於圖像處理上的基本操作。

 

► 二值化定義

將一幅灰度圖像轉換為黑白圖像的過程。它的目標是將灰度圖像中的每個像素點分為兩個類別：一個是前景（通常是物體或感興趣的區域），另一個是背景。二值化後的圖像中只包含兩種值，通常是0和255（或1），分別表示黑色（背景）和白色（前景）。

 

►固定閾值二值化（Thresholding）

將圖像的每個像素值與一個固定閾值進行比較，將像素值分為兩個類別：大於閾值的設為一個值（通常是255），小於閾值的設為另一個值（通常是0）。

cv2.THRESH_BINARY	# 如果大於 127 就等於 255，反之等於 0
cv2.THRESH_BINARY_INV	# 如果大於 127 就等於 0，反之等於 255
cv2.THRESH_TRUNC	# 如果大於 127 就等於 127，反之數值不變
cv2.THRESH_TOZERO	# 如果大於 127 數值不變，反之數值等於 0
cv2.THRESH_TOZERO_INV	# 如果大於 127 等於 0，反之數值不變

►自適應閾值二值化（Adaptive Thresholding）

自適應閾值二值化允許根據圖像的局部區域調整閾值。它將圖像分為許多小區域，並為每個區域自動計算閾值。這對於處理不均勻光照的圖像特別有用。

►Otsu's 二值化

►TRIANGLE 二值化

TRIANGLE 二值化是另一種自動選擇閾值的方法，通常適用於單峰分佈的圖像。它根據直方圖的形狀選擇閾值。

►選擇適當的二值化方法和閾值

在OpenCV中選擇適當的二值化方法和閾值通常取決於圖像特性和應用需求。

可以先分析圖像的特性

• 圖像的亮度分佈是單峰分佈還是多峰分佈？
• 圖像是否受到噪聲的影響？
• 圖像中的物體是深色物體對比亮背景，還是亮色物體對比暗背景？

1. 如果圖像的亮度分佈相對均勻，可以使用固定閾值二值化進行二值化操作，通過觀察圖像直方圖來估計一個適當的閾值。
2. 如果圖像的光照不均勻或受到陰影影響，可以使用自適應閾值二值化，自適應閾值二值化，可以在不同區域使用不同的閾值，以適應局部光照變化。
3. 如果要自動選擇閾值，可以使用Otsu's 二值化或TRIANGLE 二值化方法根據圖像的灰度分佈自動選擇最佳閾值。
   
   

以上方的範例圖片進行直方圖顯示，範例圖片偏向單峰分佈，透過TRIANGLE 二值化可以很明顯的前後景區分出來。

►小結

透過以上講解，搭配程式碼進行範例講解，相信各位對於圖像上的二值化操作能有更深刻的理解，期待下一篇博文吧！

►Q&A

 問題一：二值化為甚麼要灰度圖?

二值化通常應用在灰度圖像上，而不是彩色圖像，是因為灰度圖像只包含亮度信息，它是一種單通道圖像，每個像素點的值表示亮度強度，而不考慮顏色信息。在進行二值化時，我們主要關心的是像素的亮度值是否大於或小於閾值，因此使用灰度圖像更簡單且具有優勢。

問題二：在OpenCV中如何評估和調整二值化的效果？

可以使用OpenCV來將原始圖像、二值化結果和任何後處理的圖像進行可視化，以便比較和分析，或是透過評估指標IoU（Intersection over Union）或Dice係數，用於評估分割的準確性。

問題三：如何選擇適當的閾值和二值化方法？

選擇適當的閾值和二值化方法取決於影像的特性和應用需求。您可以通過觀察影像的直方圖來估計閾值，或者使用自適應閾值方法。不同的應用可能需要不同的閾值和二值化方法，您可以通過試驗不同的組合來找到最適合的選擇。

問題四：如何處理彩色影像的二值化？

對於彩色影像，通常需要將其轉換為灰度影像，然後進行二值化處理。可以使用cv2.cvtColor將彩色影像轉換為灰度影像，然後選擇適當的二值化方法進行處理。在某些情況下，也可以分別處理每個通道的灰度影像，然後組合它們以獲得最終的二值化結果。

問題五：自適應閾值二值化的優勢是什麼？

自適應閾值二值化能夠應對不同區域的光照變化，使閾值能夠根據局部影像特性自動調整。這使其適用於具有不均勻照明的影像，例如文件掃描或工業檢測。

►參考資料    

OpenCV - Open Computer Vision Library