小編寫這篇文章的一個主要目的，主要是利用其python數字圖像技術，用來對python數字圖像進行處理，主要是用來進行處理相關的閾值等一些情況，包括對其進行分割。具體的一些內容，下面就給大家詳細解答下。

　　序言

　　什么是圖像控制管理及時呢？主要是利用其圖像之間的灰度進行一些相關的測試工作，根據圖像灰度之間的不同程度，去進行測算一些相關情況。做這個的目的，主要是用來對其進行相關的灰度值的一些測算，從而產生一些相關的圖像處理過程。

　　1、threshold_otsu

　　基于Otsu的閾值分割方法，函數調用格式：

　　skimage.filters.threshold_otsu(image,nbins=256)

　　參數image是指灰度圖像，返回一個閾值。

　　from skimage import data,filters
　　import matplotlib.pyplot as plt
　　image=data.camera()
　　thresh=filters.threshold_otsu(image)#返回一個閾值
　　dst=(image<=thresh)*1.0#根據閾值進行分割
　　plt.figure('thresh',figsize=(8,8))
　　plt.subplot(121)
　　plt.title('original image')
　　plt.imshow(image,plt.cm.gray)
　　plt.subplot(122)
　　plt.title('binary image')
　　plt.imshow(dst,plt.cm.gray)
　　plt.show()

　　返回閾值為87，根據87進行分割得下圖:

　　2、threshold_yen

　　使用方法同上：

　　thresh=filters.threshold_yen(image)

　　返回閾值為198，分割如下圖：

　　3、threshold_li

　　使用方法同上：

　　thresh=filters.threshold_li(image)

　　返回閾值64.5，分割如下圖：

　　4、threshold_isodata

　　閾值計算方法：

　　hreshold=(image[image<=threshold].mean()+image[image>threshold].mean())/2.0

　　使用方法同上：

　　thresh=filters.threshold_isodata(image)

　　返回閾值為87，因此分割效果和threshold_otsu一樣。

　　5、threshold_adaptive

　　調用函數為：

　　skimage.filters.threshold_adaptive(image,block_size,method='gaussian'）

　　block_size:塊大小，指當前像素的相鄰區域大小，一般是奇數（如3，5，7。。。）

　　method:用來確定自適應閾值的方法，有'mean','generic','gaussian'和'median'。

　　省略時默認為gaussian

　　該函數直接訪問一個閾值后的圖像，而不是閾值。

　　from skimage import data,filters
　　import matplotlib.pyplot as plt
　　image=data.camera()
　　dst=filters.threshold_adaptive(image,15)#返回一個閾值圖像
　　plt.figure('thresh',figsize=(8,8))
　　plt.subplot(121)
　　plt.title('original image')
　　plt.imshow(image,plt.cm.gray)
　　plt.subplot(122)
　　plt.title('binary image')
　　plt.imshow(dst,plt.cm.gray)
　　plt.show()

　　大家可以修改block_size的大小和method值來查看更多的效果。如：

　　dst1=filters.threshold_adaptive(image,31,'mean')
　　dst2=filters.threshold_adaptive(image,5,'median')

       綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家帶來幫助。