update ch15

Author: makelove

ch15-图像阈值/15-How-OTSU-work.py

@@ -0,0 +1,46 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/12 下午1:27
+# @Author  : play4fun
+# @File    : 15-How-OTSU-work.py
+# @Software: PyCharm
+
+"""
+15-How-OTSU-work.py:
+"""
+
+import cv2
+import numpy as np
+
+img = cv2.imread('noisy2.png', 0)
+blur = cv2.GaussianBlur(img, (5, 5), 0)
+# find normalized_histogram, and its cumulative distribution function
+#  算归一化直方图
+# CalcHist(image, accumulate=0, mask=NULL)
+
+hist = cv2.calcHist([blur], [0], None, [256], [0, 256])
+hist_norm = hist.ravel() / hist.max()
+Q = hist_norm.cumsum()
+
+bins = np.arange(256)
+fn_min = np.inf
+thresh = -1
+
+for i in range(1, 256):
+    p1, p2 = np.hsplit(hist_norm, [i])  # probabilities
+    q1, q2 = Q[i], Q[255] - Q[i]  # cum sum of classes
+    b1, b2 = np.hsplit(bins, [i])  # weights
+
+    # finding means and variances
+    m1, m2 = np.sum(p1 * b1) / q1, np.sum(p2 * b2) / q2
+    v1, v2 = np.sum(((b1 - m1) ** 2) * p1) / q1, np.sum(((b2 - m2) ** 2) * p2) / q2
+
+    # calculates the minimization function
+    fn = v1 * q1 + v2 * q2
+    if fn < fn_min:
+        fn_min = fn
+        thresh = i
+
+# find otsu's threshold value with OpenCV function
+ret, otsu = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
+
+print(thresh, ret)

ch15-图像阈值/15.THRESH_OTSU.py

@@ -1,35 +1,61 @@
 # -*- coding: utf-8 -*-
+'''
+Otsu's 二值化
+
+在第一 分中我们提到  retVal 当我们使用 Otsu 二值化时会用到它。  么它到底是什么呢
+在使用全局 值时 我们就是 便给了一个数来做 值  我们怎么知  我们 取的 个数的好坏呢?
+ 答案就是不停的尝 。
+ 如果是一副双峰图像 ，简 单来 双峰图像是指图像直方图中存在两个峰 呢 ？
+ 我们岂不是应 在两个峰 之 的峰  一个值作为阈值 。
+  就是 Otsu 二值化 做的。
+  简单来说，就是对一副双峰图像自动根据其直方图计算出一个阈值。
+  对于非双峰图像 这 种方法 得到的结果可能会不理想 。
+
+ 这里 用到的函数 是 cv2.threshold() 但是  需要多传入一个参数  flag  cv2.THRESH_OTSU。
+  这时 把 值 为 0。然后算法会找到最 优阈值 ，这 个最优 值就是 回值 retVal。
+  如果不使用 Otsu 二值化 返回的retVal 值与 设定的 阈值相等。
+
+下 的例子中  输入图像是一副带有噪声的图像。
+第一种方法 我们 设127 为全局 阈值。
+第二种方法 我们直接使用 Otsu 二值化。
+第三种方法 我 们 先使用一个 5x5 的 高斯核 去噪  然后再使用 Otsu 二值化。
+看看噪音 去除对结果的影响有多大吧。
+'''
+
 import cv2
 import numpy as np
 from matplotlib import pyplot as plt
 
-img = cv2.imread('noisy2.png',0)
+img = cv2.imread('noisy2.png', 0)
 # global thresholding
-ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
+ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
 # Otsu's thresholding
-ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
+ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
+
 # Otsu's thresholding after Gaussian filtering
 # 5,5 为 斯核的大小 0 为标准差
-blur = cv2.GaussianBlur(img,(5,5),0)
-#阀值一定为 0
-ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
+blur = cv2.GaussianBlur(img, (5, 5), 0)
+# 阀值一定为 0
+ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
+
 # plot all the images and their histograms
 images = [img, 0, th1,
-img, 0, th2,
-blur, 0, th3]
-titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
-'Original Noisy Image','Histogram',"Otsu's Thresholding",
-'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
-#使用了 pyplot 中画直方图的方法 plt.hist,
-#注意的是它的参数是一维数组
+          img, 0, th2,
+          blur, 0, th3]
+titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding (v=127)',
+          'Original Noisy Image', 'Histogram', "Otsu's Thresholding",
+          'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]
+# 使用了 pyplot 中画直方图的方法 plt.hist,
+# 注意的是它的参数是一维数组
 # 所以使用了 numpy ravel 方法 将多维数组 换成一维 也可以使用 flatten 方法
-#ndarray.flat 1-D iterator over an array.
-#ndarray.flatten 1-D array copy of the elements of an array in row-major order.
-for i in xrange(3):
-    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
-    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
-    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
-    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
-    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
-    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
-plt.show()
+# ndarray.flat 1-D iterator over an array.
+# ndarray.flatten 1-D array copy of the elements of an array in row-major order.
+
+for i in range(3):
+    plt.subplot(3, 3, i * 3 + 1), plt.imshow(images[i * 3], 'gray')
+    plt.title(titles[i * 3]), plt.xticks([]), plt.yticks([])
+    plt.subplot(3, 3, i * 3 + 2), plt.hist(images[i * 3].ravel(), 256)
+    plt.title(titles[i * 3 + 1]), plt.xticks([]), plt.yticks([])
+    plt.subplot(3, 3, i * 3 + 3), plt.imshow(images[i * 3 + 2], 'gray')
+    plt.title(titles[i * 3 + 2]), plt.xticks([]), plt.yticks([])
+plt.show()

ch15-图像阈值/15.adaptiveThreshold.py

@@ -1,21 +1,35 @@
 # -*- coding: utf-8 -*-
 
+'''
+自适应阈值
+
+Adaptive Method- 指定 算阈值的方法。
+– cv2.ADPTIVE_THRESH_MEAN_C  值取自相邻区域的平均值
+– cv2.ADPTIVE_THRESH_GAUSSIAN_C  值取值相邻区域 的加权和 ，权重为一个高斯窗口
+'''
+
 import cv2
 import numpy as np
 from matplotlib import pyplot as plt
 
-img = cv2.imread('dave.jpg', 0)
+# img = cv2.imread('dave.jpg', 0)
+img = cv2.imread('../data/sudoku.jpg', 0)
 # 中值滤波
 img = cv2.medianBlur(img, 5)
 ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
-# 11 为 Block size, 2 为 C 值
+
+# 11 为 Block size 邻域大小 用来计算阈值的区域大小 ,
+# 2 为 C值，常数， 阈值就等于的平均值或者加权平均值减去这个常数。
 th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
 th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
+
 titles = ['Original Image', 'Global Thresholding (v = 127)',
           'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
 images = [img, th1, th2, th3]
+
 for i in range(4):
     plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
     plt.title(titles[i])
     plt.xticks([]), plt.yticks([])
-    plt.show()
+
+plt.show()

ch15-图像阈值/15.threshold.py

@@ -1,21 +1,38 @@
 # -*- coding: utf-8 -*-
+'''
+简单阈值
+像素值高于阈值时 我们给这个像素 赋予一个新值， 可能是白色 ，
+ 否则我们给它赋予另外一种颜色， 或是黑色 。
+ 这个函数就是 cv2.threshhold()。
+ 这个函数的第一个参数就是原图像
+ 原图像应 是灰度图。
+ 第二个参数就是用来对像素值进行分类的阈值。
+ 第三个参数 就是当像素值高于， 有时是小于  阈值时应该被赋予的新的像素值。
+ OpenCV 提供了多种不同的阈值方法 ， 是由第四个参数来决定的。
+  些方法包括
+• cv2.THRESH_BINARY
+• cv2.THRESH_BINARY_INV • cv2.THRESH_TRUNC
+• cv2.THRESH_TOZERO
+• cv2.THRESH_TOZERO_INV
+'''
 
 import cv2
 import numpy as np
 from matplotlib import pyplot as plt
 
-img=cv2.imread('gradient.png',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)
+img = cv2.imread('grey-gradient.jpg', 0)
 
-titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
+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 = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
 images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
 
-for i in xrange(6):
-    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
+for i in range(6):
+    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
     plt.title(titles[i])
-    plt.xticks([]),plt.yticks([])
-plt.show()
+    plt.xticks([]), plt.yticks([])
+plt.show()