【课题总结】OpenCV 抠图项目实战（5）自适应阈值抠图

Python 小白的课题报告—OpenCV 抠图项目实战（5）自适应阈值抠图

本系列是 Python 小白的课题作业《基于OpenCV 的图像分割和抠图》。
需要说明的是，本系列并不能算是 OpenCV 的抠图项目教程，只是以此为主题的课题报告。其中包括了一个较为完整的 PyQt 项目。

欢迎关注『Python 小白的项目实战 @ youcans』原创作品
Python 小白的课题报告—OpenCV 抠图项目实战（1）目录摘要
Python 小白的课题报告—OpenCV 抠图项目实战（2）抠图绪论
Python 小白的课题报告—OpenCV 抠图项目实战（3）抠图综述
Python 小白的课题报告—OpenCV 抠图项目实战（4）固定阈值抠图
Python 小白的课题报告—OpenCV 抠图项目实战（5）自适应阈值抠图
Python 小白的课题报告—OpenCV 抠图项目实战（6）色彩范围抠图
Python 小白的课题报告—OpenCV 抠图项目实战（7）边缘检测
Python 小白的课题报告—OpenCV 抠图项目实战（8）图像轮廓
Python 小白的课题报告—OpenCV 抠图项目实战（9）评价指标
Python 小白的课题报告—OpenCV 抠图项目实战（10）PyQt5 使用
Python 小白的课题报告—OpenCV 抠图项目实战（11）算法实验平台
Python 小白的课题报告—OpenCV 抠图项目实战（12）源程序代码

第三章阈值抠图

阈值处理方法直观简单，是一种基本的图像分割方法。

根据图像的整体或部分信息适当选择阈值，像素值高于阈值时设为1/255，低于阈值时设为0，以此将图像中感兴趣的区域筛选出来生成掩模，再与原图像合成即可得到抠图图像。

由于待处理图像的灰度级数与其灰度直方图是不确定的，对于不同的图像、不同的目标前景，需要选取适当的阈值处理方法进行图像分割。本章采用固定阈值、自适应阈值与色彩范围三种方法进行图像抠图处理。

3.2 自适应阈值抠图

在图像抠图的应用中，噪声和非均匀光照等因素会影响阈值算法的性能。对于很多图像，使用固定阈值难以获得理解的抠图效果，就需要使用自适应阈值处理方法，使用可变阈值处理。

自适应阈值处理可以根据图像不同区域的亮度分布，使用高斯滤波、移动平均等方法计算其局部阈值，以此得到抠图图像。

OpenCV 提供了函数 cv.adaptivethreshold()实现图像的阈值处理。

函数说明：

cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) → dst

参数说明：

scr：输入图像，8位单通道图像
dst：输出图像，大小和类型与输入图像相同
maxValue：二值处理的最大值设置，通常为255
adaptiveMethod：自适应阈值算法
- cv.ADAPTIVE_THRESH_MEAN_C：阈值为矩形邻域像素值的均值
- cv.ADAPTIVE_THRESH_GAUSSIAN_C：阈值为矩形邻域像素值的加权均值，默认权值服从高斯分布
thresholdType：阈值类型，可选项THRESH_BINARY或THRESH_BINARY_INV
blockSize：自适应计算的邻域大小，如：3, 5, 7等
C：偏移量

使用自适应阈值进行图像抠图的基本程序如下：

# MattingAdaptThresh.py
# Copyright 2021 youcans, XUPT
# Crated：2021-12-10import cv2
import numpy as np
from matplotlib import pyplot as plt# 1. 读取原始图像
imgOri = cv2.imread("../images/lady983Green.jpg")  # 读取原始图像
height, width, channels = imgOri.shape# 2. 从原始图像提取绿色通道
imgGray = cv2.cvtColor(imgOri, cv2.COLOR_BGR2GRAY)  # 彩色图像转换为灰度图像
imgGreen = imgOri[:, :, 1]  # imgGreen 为 绿色通道的 色彩强度图 (注意不是原图的灰度转换结果)
print(imgOri.shape, imgGray.shape, imgGreen.shape)# 3. 绿色通道转换为二值图像，生成遮罩 Mask、逆遮罩 MaskInv
# colorThresh = 245  # 绿屏背景的颜色阈值 (注意研究阈值的影响)
# ret, binary = cv2.threshold(imgGreen, colorThresh, 255, cv2.THRESH_BINARY)  # 转换为二值图像，生成遮罩，抠图区域黑色遮盖# 自适应阈值化能够根据图像不同区域亮度分布自适应地改变阈值
# cv.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst
# 参数 adaptiveMethod: ADAPTIVE_THRESH_MEAN_C(均值法), ADAPTIVE_THRESH_GAUSSIAN_C(高斯法)
# 参数 thresholdType: THRESH_BINARY(小于阈值为0), THRESH_BINARY_INV(大于阈值为0)
# 参数 blockSize: 邻域大小，正奇数
# 参数 C: 偏移量，一般取 0
binary = cv2.adaptiveThreshold(imgGreen, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 5, 0)
binaryInv = cv2.bitwise_not(binary)  # 按位非(黑白转置)，生成逆遮罩，抠图区域白色开窗，抠图以外区域黑色# 4. 用遮罩进行抠图和更换背景
# 生成抠图图像 (前景保留，背景黑色)
imgMatte = cv2.bitwise_and(imgOri, imgOri, mask=binaryInv)  # 生成抠图前景，标准抠图以外的逆遮罩区域输出黑色
# 将背景颜色更换为红色: 修改逆遮罩 (抠图以外区域黑色)
imgReplace = imgOri.copy()
imgReplace[binaryInv == 0] = [0, 0, 255]  # 黑色区域(0/0/0)修改为红色(BGR:0/0/255)plt.figure(figsize=(12, 8))
plt.subplot(231), plt.imshow(cv2.cvtColor(imgOri, cv2.COLOR_BGR2RGB)), plt.title("Origin image"), plt.axis('off')
plt.subplot(232), plt.imshow(imgGray, cmap='gray'), plt.title("Gray image"), plt.axis('off')
plt.subplot(233), plt.imshow(imgGreen, cmap='gray'), plt.title("Green channel level"), plt.axis('off')
plt.subplot(234), plt.imshow(binary, cmap='gray'), plt.title("binary mask"), plt.axis('off')
plt.subplot(235), plt.imshow(binaryInv, cmap='gray'), plt.title("inv-binary mask"), plt.axis('off')
plt.subplot(236), plt.imshow(cv2.cvtColor(imgReplace, cv2.COLOR_BGR2RGB)), plt.title("BgColor changed"), plt.axis('off')
plt.tight_layout()

使用自适应阈值方法对单色背景图像抠图的结果如图3.4所示。
对于确定颜色背景的蓝屏抠图，自适应阈值方法的结果并没有更好，但是仍然能很好地提取图像特征，如果使用其它方法进一步进行处理，也可以得到满意的抠图效果。
而对于自然背景图像抠图，自适应阈值方法的性能优于固定阈值方法。

在这里插入图片描述
图3.4 自适应阈值抠图法