import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('8.jpg',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)

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')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])

plt.show()

همانطور که در کد مشخص شده ما دو خروجی داریم:retval,threshold
ولی در Simple Thresholding
فقط از threshold استفاده میشود.

روش Simple Thresholding در عکسهای رنگی جالب نیست و خروجی آن شبیه تصویر میباشد .

import cv2
import numpy as np
img = cv2.imread('sample.jpg')
ret,threshold1 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('threshold ',threshold1)
cv2.waitKey (0)
cv2.destroyAllWindows ()

✅✅برای #داده_کاوی ما نیاز به حجم زیادی داده داریم که این داده ها، #big_data نامیده میشود. از ویژگیهای مهم #big_data :👇👇
1) ارزشمند بودن داده ها
2)متنوع بودن داده ها
3)حجیم بودن داده ها
4)داده ها به سرعت در حال تغییر و تولید هستند
5)داده ها به درد بخور و صحیح هستند

2️⃣Adaptive Thresholding
➖➖➖➖➖➖➖➖➖➖
✅در آستانه تطبیقی ، مانند آستانه ساده از مقدار سراری برای آستانه استفاده نمیشود. چون عکس هایی که دارای روشنایی متفاوت در قسمتهای مختلف میباشند خروجی جالبی ندارند.
بنابراین در این روش ، آستانه برای یک قسمت کوچکی از تصویر حساب میشود وبا این مقادیر ، به نتایج بهتری در تصاویر با نورهای متفاوت میرسیم.

✅در روش تطبیقی ما سه ورودی و یک خروجی خواهیم داشت:
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('sample.jpg',0)
img = cv2.medianBlur(img,5)

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
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 xrange(4):
plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()

♦️تفاوت آستانه ساده با تطبیقی در این تصویر مشهود است♦️

3️⃣Otsu’s Binarization
➖➖➖➖➖➖➖➖➖➖
✅در این روش قرار است از خروجی دوم روش آستانه گیری ساده، retVal استفاده کنیم. چرا ما از این روش استفاده میکنیم؟🤔؟
در آستانه گیری ساده ما از یک مقدار سراری استفاده کردیم. ولی از کجا بدونیم این مقدار، یک مقدار خوب و بهینه است؟ با آزمون و خطا.

3️⃣1️⃣The bimodal images

✅در روش Otsu’s Binarization ما از تصاویر bimodal استفاده میکنیم .
تصاویر دو بعدی هستند که هیستگرام آنها دارای دو قله است.

💢💢قبل از ادامه بحث Otsu
مطالب زیر را مرور کنید:

https://commons.wikimedia.org/wiki/File:BhaProgress3.gif?uselang=fa#/media/File:BhaProgress3.gif
💢✅آستانه‌گذاری یکی از مناسب‌ترین روش‌ها برای بخش‌بندی تصویر می‌باشد.
با اعمال یک روش آستانه‌گذاری بر روی یک تصویر مقیاس خاکستری، تصویری باینری بدست می‌آید که مرز اشیاء حاضر در تصویر با دقت مناسبی مشخص می‌گردد.
با استفاده از بخشبندی تصویر، مثلا تعداد مربع یا مستطیل را در تصویر میتوانیم بشماریم. یا تشخیص چهره و اثر انگشت و ...
در این قسمت از کاربرد پردازش تصویر میگنجد.

✅💢روش آستانه گذاری Otsu ، تصویر را به گونه ای تقسیم بندی میکند که تصویر با بهترین مقدار آستانه به دو کلاس سیاه و سفید یا پیش زمینه و پس زمینه یا پس زمینه و شی تقسیم میشود:

✅💢در یک تصویر bimodal (تصویری که هیستوگرام آن دارای دو قله میباشد)، تقریبا در وسط قله ها میتوان آستانه بهینه را انتخاب کرد.

bimodal_hsv_noise