1. opencv二值化的cv2.threshold函數

目的：将整幅圖像分成了非黑即白的二值圖像。

1.1 簡單門檻值：

簡單門檻值當然是最簡單，選取一個全局門檻值，然後就把整幅圖像分成了非黑即白的二值圖像了。

函數為cv2.threshold()，這個函數有四個參數，第一個原圖像，第二個進行分類的門檻值，第三個是高于（低于）門檻值時賦予的新值，第四個是一個方法選擇參數，常用的有：

• cv2.THRESH_BINARY（黑白二值）
• cv2.THRESH_BINARY_INV（黑白二值反轉）
• cv2.THRESH_TRUNC （得到的圖像為多像素值）
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

傳回值：該函數有兩個傳回值，第一個retVal（得到的門檻值值（在後面一個方法中會用到）），第二個就是門檻值化後的圖像。

調用例子：

1.2 自适應門檻值

前面看到簡單門檻值是一種全局性的門檻值，隻需要規定一個門檻值值，整個圖像都和這個門檻值比較。而自适應門檻值可以看成一種局部性的門檻值，通過規定一個區域大小，比較這個點與區域大小裡面像素點的平均值（或者其他特征）的大小關系确定這個像素點是屬于黑或者白（如果是二值情況）。使用的函數為：cv2.adaptiveThreshold（）

該函數有6個參數：

第一個原始圖像

第二個像素值上限

第三個自适應方法Adaptive Method:

— cv2.ADAPTIVE_THRESH_MEAN_C ：領域内均值

—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領域内像素點權重和，權重為一個高斯視窗

第四個值的指派方法：隻有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV

第五個Block size:規定領域大小（一個正方形的領域）

第六個常數C，門檻值等于均值或者權重值減去這個常數（為0相當于門檻值就是求得領域内均值或者權重值）

這種方法理論上得到的效果更好，相當于在動态自适應的調整屬于自己像素點的門檻值，而不是整幅圖像都用一個門檻值。

th2 = cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2) #換行符号\

1.3 Otsu’s二值化

我們前面說到，cv2.threshold函數是有兩個傳回值的，前面一直用的第二個傳回值，也就是門檻值處理後的圖像，那麼第一個傳回值（得到圖像的門檻值）将會在這裡用到。

前面對于門檻值的處理上，我們選擇的門檻值都是127，那麼實際情況下，怎麼去選擇這個127呢？有的圖像可能門檻值不是127得到的效果更好。那麼這裡我們需要算法自己去尋找到一個門檻值，而Otsu’s就可以自己找到一個認為最好的門檻值。并且Otsu’s非常适合于圖像灰階直方圖具有雙峰的情況，他會在雙峰之間找到一個值作為門檻值，對于非雙峰圖像，可能并不是很好用。那麼經過Otsu’s得到的那個門檻值就是函數cv2.threshold的第一個參數了。因為Otsu’s方法會産生一個門檻值，那麼函數cv2.threshold的的第二個參數（設定門檻值）就是0了，并且在cv2.threshold的方法參數中還得加上語句cv2.THRESH_OTSU。那麼什麼是雙峰圖像（隻能是灰階圖像才有），就是圖像的灰階統計圖中可以明顯看出隻有兩個波峰，比如下面一個圖的灰階直方圖就可以是雙峰圖：

python-opencv 常用的幾個函數（cv2.threshold()、cv2.findContours()、cv2.drawContours()）1. opencv二值化的cv2.threshold函數2. cv2.findContours() 輪廓檢測傳回值：3. 繪制輪廓cv2.drawContours()

好了現在對這個圖進行Otsu’s門檻值處理就非常的好，通過函數cv2.threshold會自動找到一個介于兩波峰之間的門檻值。

ret1,th1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
#Otsu 濾波
ret2,th2 = cv2.threshold(gray,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print(ret2)

2. cv2.findContours() 輪廓檢測

函數原型：

此函數參數：

第一個參數是輸入的圖檔；注意輸入的圖檔必須為二值圖檔。若輸入的圖檔為彩色圖檔，必須先進行灰階化和二值化

第二個參數表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2接口）：

cv2.RETR_EXTERNAL表示隻檢測外輪廓

cv2.RETR_LIST檢測的輪廓不建立等級關系

cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，裡面的一層為内孔的邊界資訊。如果内孔内還有一個連通物體，這個物體的邊界也在頂層。

cv2.RETR_TREE建立一個等級樹結構的輪廓。

第三個參數method為輪廓的近似辦法

cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1

cv2.CHAIN_APPROX_SIMPLE壓縮水準方向，垂直方向，對角線方向的元素，隻保留該方向的終點坐标，例如一個矩形輪廓隻需4個點來儲存輪廓資訊

cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

傳回值：

v2.findContours()函數傳回兩個值，一個是輪廓本身，還有一個是每條輪廓對應的屬性。

示例：

contours：

cv2.findContours()函數首先傳回一個list，list中每個元素(本例為2個)都是圖像中的一個輪廓資訊，list中每個元素(輪廓資訊)類型為ndarray。len(contours[1]) 表示第一個輪廓儲存的元素個數，即該輪廓中儲存的點的個數。本例第一個輪廓為矩形，輪廓中有4個點，這是因為當參數mode 設定成： cv2.CHAIN_APPROX_SIMPLE ，輪廓中并不是存儲輪廓上所有的點，而是隻存儲可以用直線描述輪廓的點的個數，比如一個“正立”的矩形，隻需4個頂點就能描述輪廓了。

print(type(contours))                         # 輸出為：<class 'list'>
print(type(contours[0]))                      # 輸出為：<class 'numpy.ndarray'>
print(len(contours))                          # 圖像中輪廓的數量
print(len(contours[1]))                       # 輪廓1(矩形)中的元素(點)的數量

hierarchy：

該函數還可傳回一個可選的hiararchy結果，這是一個ndarray，其中的元素個數和輪廓個數相同，每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示後一個輪廓、前一個輪廓、父輪廓、内嵌輪廓的索引編号，如果沒有對應項，則該值為負數。

3. 繪制輪廓cv2.drawContours()

原型：

示例：

第一個參數是指明在哪幅圖像上繪制輪廓；

第二個參數是輪廓本身，在Python中是一個list。

第三個參數指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓。後面的參數很簡單。其中thickness表明輪廓線的寬度，如果是-1（cv2.FILLED），則為填充模式。繪制參數将在以後獨立詳細介紹。