Python中有哪些额外阈值分割算法？如何实现intermodes阈值法？

• scikit-image库的filters模块内置了10余种自动阈值算法，覆盖了ImageJ提供的绝大多数自动阈值方法，支持直接处理OpenCV输出的numpy格式图像，调用成本极低。
• mahotas、SimpleITK等专业图像处理库也内置了大量阈值分割实现，可直接导入使用。
• 第三方工具包pythreshold集成了更多小众阈值算法，可通过pip直接安装后调用。

直接移植原始MATLAB版本的intermodes代码完全可行，该方法逻辑简单，没有复杂的依赖，纯Python+Numpy即可实现，核心实现逻辑和示例代码如下：

实现原理 #

1. 计算输入灰度图像的256级灰度直方图
2. 对直方图进行多次均值平滑处理，直到直方图仅存在2个局部峰值
3. 找到两个峰值之间的灰度区间，取区间内直方图最小值对应的灰度值作为最终分割阈值

示例代码 #

import cv2
import numpy as np

def intermodes_threshold(img_gray):
    # 计算0-255灰度区间的直方图
    hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256]).ravel()
    
    # 循环平滑直方图直到峰值数量不超过2
    while True:
        # 3点均值平滑
        smoothed_hist = np.convolve(hist, np.ones(3)/3, mode="same")
        # 统计局部极大值（峰值）数量
        peak_count = (
            np.r_[False, smoothed_hist[1:] > smoothed_hist[:-1]] 
            & np.r_[smoothed_hist[:-1] > smoothed_hist[1:], False]
        ).sum()
        hist = smoothed_hist
        if peak_count <= 2:
            break
    
    # 提取峰值位置
    peak_positions = np.where(
        np.r_[False, hist[1:] > hist[:-1]] 
        & np.r_[hist[:-1] > hist[1:], False]
    )[0]
    
    # 处理双峰不明显的特殊情况
    if len(peak_positions) < 2:
        return 127
    
    # 取两个极值峰之间的灰度最小值作为阈值
    left_peak, right_peak = peak_positions[0], peak_positions[-1]
    threshold = np.argmin(hist[left_peak:right_peak]) + left_peak
    return threshold

# 调用示例
if __name__ == "__main__":
    # 读取灰度图
    img = cv2.imread("your_image_path.png", 0)
    th_val = intermodes_threshold(img)
    # 阈值分割
    _, binary_img = cv2.threshold(img, th_val, 255, cv2.THRESH_BINARY)

该实现和ImageJ、MATLAB原版intermodes的输出结果基本一致，你可以根据自己的使用场景调整平滑窗口大小和峰值判断规则。

内容的提问来源于stack exchange，提问作者terauser