Mahotas - 图像阈值化

图像阈值化是一种基于像素强度将感兴趣区域与背景分离的技术。它涉及设置一个阈值，将图像分为前景和背景。

强度高于阈值的像素被分类为前景，而强度低于阈值的像素被分类为背景。

这种二元分离允许进一步的分析，例如目标检测、分割或特征提取。图像阈值化可以应用于各种类型的图像，包括灰度图像和彩色图像，以简化后续的处理和分析任务。

使用图像阈值化涉及选择合适的阈值并将其应用于图像。阈值可以使用各种阈值化技术计算。

阈值化方法的选择取决于图像特性、噪声水平和所需结果等因素。

这里，我们简要讨论了每种技术。更深入的信息将在后面的章节中讨论。

让我们看看Mahotas中可以使用的每种阈值化技术：

Bernsen阈值化

Bernsen阈值化是一种将灰度图像中的前景与背景分离的阈值化技术。它根据每个像素周围邻域内的最大和最小像素强度计算局部阈值。

如果像素的强度更接近最大值，则将其视为前景的一部分；否则，将其视为背景的一部分。

让我们看看下面的Bernsen阈值图像：

广义Bernsen阈值化

广义Bernsen阈值化是对Bernsen阈值化方法的改进。它考虑邻域内更广泛的像素强度范围，而不仅仅是最大和最小强度值。

下面的图像显示了广义Bernsen阈值图像：

Otsu阈值化

Otsu阈值化技术自动确定将前景与背景分离的最佳阈值。

Otsu方法迭代地检查所有可能的阈值，并选择使类间方差最大的阈值。

让我们看看下面的Otsu阈值图像：

Riddler-Calvard阈值化

Riddler-Calvard阈值化也自动确定最佳阈值。它基于前景和背景方差加权和的最小化。

让我们看看下面的Riddler-Calvard阈值图像：

软阈值化

软阈值化是一种用于图像去噪的技术。它将强度值小于某个阈值的像素设置为零。软阈值化保留了图像的重要结构信息，同时减少了噪声。

下图显示了软阈值化：

示例

在下面的示例中，我们尝试执行所有上述解释的阈值化技术：

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
image = mh.imread('sea.bmp', as_grey=True)
# Bernsen thresholding
bernsen = mh.thresholding.bernsen(image, 5, 5)
mtplt.imshow(bernsen)
mtplt.title('Bernsen Thresholding')
mtplt.axis('off')
mtplt.show()
# Generalized Bernsen thresholding
gbernsen = mh.thresholding.gbernsen(image, mh.disk(3), 10, 109)
mtplt.imshow(gbernsen)
mtplt.title('Generalized Bernsen Thresholding')
mtplt.axis('off')
mtplt.show()
# Otsu threshold
int_image_otsu = image.astype(np.uint8)
otsu = mh.otsu(int_image_otsu)
result_image = image > otsu
mtplt.imshow(result_image)
mtplt.title('Otsu Thresholding')
mtplt.axis('off')
mtplt.show()
# Riddler-Calvard threshold
int_image_rc = image.astype(np.uint8)
rc = mh.thresholding.rc(int_image_rc)
final_image = image > rc
mtplt.imshow(final_image)
mtplt.title('RC Thresholding')
mtplt.axis('off')
mtplt.show()
# Soft threshold
soft = mh.thresholding.soft_threshold(image, np.mean(image))
mtplt.imshow(soft)
mtplt.title('Soft Thresholding')
mtplt.axis('off')
mtplt.show()