阈值分割算法代码实现

阈值分割算法是一种简单有效的图像分割方法，在实际应用中得到了广泛的应用。其基本思想是将图像中像素点的灰度值按照一定的阈值进行分类，从而实现图像的分割。以下是阈值分割算法的代码实现：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('test.jpg', 0)

# 自适应阈值分割
thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

# 显示图像
cv2.imshow('Image', img)
cv2.imshow('Threshold', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，`cv2.adaptiveThreshold()`函数实现了自适应阈值分割，其中`img`为输入图像，`255`为最大灰度值，`cv2.ADAPTIVE_THRESH_MEAN_C`表示使用局部均值进行阈值计算，`cv2.THRESH_BINARY`表示二值化处理，`11`为邻域大小，`2`为阈值调整参数。最后使用`cv2.imshow()`函数显示原始图像和分割后的图像。

相关问题

实现灰度图像和彩色图像的迭代阈值分割算法代码实现

以下是Python代码实现：

import cv2

# 读取图像
img_gray = cv2.imread('gray_image.png', cv2.IMREAD_GRAYSCALE)
img_color = cv2.imread('color_image.png')

# 灰度图像迭代阈值分割
thresh = 128
while True:
    # 将图像分成两部分
    part1 = img_gray[img_gray < thresh]
    part2 = img_gray[img_gray >= thresh]
    
    # 计算两部分的平均值
    avg1 = sum(part1) / len(part1)
    avg2 = sum(part2) / len(part2)
    
    # 更新阈值
    new_thresh = int((avg1 + avg2) / 2)
    if abs(new_thresh - thresh) < 1:
        break
    thresh = new_thresh
    
# 彩色图像迭代阈值分割
b, g, r = cv2.split(img_color)
thresh = 128
while True:
    # 将图像分成两部分
    part1 = cv2.merge((b[b < thresh], g[b < thresh], r[b < thresh]))
    part2 = cv2.merge((b[b >= thresh], g[b >= thresh], r[b >= thresh]))
    
    # 计算两部分的平均值
    avg1 = cv2.mean(part1)
    avg2 = cv2.mean(part2)
    
    # 更新阈值
    new_thresh = int((avg1[0] + avg2[0]) / 2)
    if abs(new_thresh - thresh) < 1:
        break
    thresh = new_thresh
    
# 显示结果
cv2.imshow('gray_image', img_gray)
cv2.imshow('color_image', img_color)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，`gray_image.png` 和 `color_image.png` 分别为灰度图像和彩色图像，可以根据实际情况修改文件名。在灰度图像迭代阈值分割算法中，我们首先将图像分成低于阈值和高于阈值的两部分，计算两部分的平均值，然后更新阈值，直到阈值的变化小于1为止。在彩色图像迭代阈值分割算法中，我们按照图像的三个通道分别进行分割和计算平均值，最后取三个通道的平均值作为阈值。

otsu阈值分割算法实现

Otsu阈值分割算法是一种基于图像直方图的自适应阈值分割方法，它可以自动确定分割阈值，使得分割后的两个部分之间的类间方差最大，从而达到最佳分割效果。

以下是Python实现Otsu阈值分割算法的示例代码：

import cv2
import numpy as np

def otsu_threshold(image):
    # 计算图像直方图
    hist, _ = np.histogram(image, bins=256)
    # 归一化直方图
    hist_norm = hist / float(image.size)
    # 初始化变量
    best_thresh = 0
    best_var = 0
    w0 = 0
    u0 = 0
    total_mean = np.mean(image)
    # 遍历所有阈值
    for thresh in range(256):
        w1 = w0 + hist_norm[thresh]
        if w1 == 0:
            continue
        u1 = (w0 * u0 + thresh * hist_norm[thresh]) / w1
        u2 = (total_mean - w1 * u1) / (1 - w1)
        var_between = w0 * (u0 - total_mean)**2 + w1 * (u1 - total_mean)**2
        if var_between > best_var:
            best_var = var_between
            best_thresh = thresh
        w0 = w1
        u0 = u1
    # 返回最佳阈值
    return best_thresh

# 读取图像
image = cv2.imread('test.png', 0)
# 应用Otsu阈值分割算法
thresh = otsu_threshold(image)
binary_image = np.zeros_like(image)
binary_image[image > thresh] = 255
# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Binary Image', binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，`otsu_threshold`函数实现了Otsu阈值分割算法，输入为灰度图像，输出为最佳阈值。然后，我们可以根据最佳阈值将图像二值化，生成二值化图像。最后，使用OpenCV库的`imshow`函数显示原始图像和二值化图像。