电子商务网站建设以什么为核心,公司注册查询哪家好,自己做网站怎么赚钱,推广型的网站怎么做简单阈值法 此方法是直截了当的。如果像素值大于阈值#xff0c;则会被赋为一个值#xff08;可能为白色#xff09;#xff0c;否则会赋为另一个值#xff08;可能为黑色#xff09;。使用的函数是 cv.threshold。第一个参数是源图像#xff0c;它应该是灰度图像。第二…简单阈值法 此方法是直截了当的。如果像素值大于阈值则会被赋为一个值可能为白色否则会赋为另一个值可能为黑色。使用的函数是 cv.threshold。第一个参数是源图像它应该是灰度图像。第二个参数是阈值用于对像素值进行分类。第三个参数是 maxval它表示像素值大于有时小于阈值时要给定的值。opencv 提供了不同类型的阈值由函数的第四个参数决定。不同的类型有
cv.THRESH_BINARYcv.THRESH_BINARY_INVcv.THRESH_TRUNCcv.THRESH_TOZEROcv.THRESH_TOZERO_INV
获得两个输出。第一个是 retval稍后将解释。第二个输出是我们的阈值图像。
代码如下
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img cv.imread(gradient.png,0)
ret,thresh1 cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,thresh2 cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,thresh3 cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,thresh4 cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,thresh5 cv.threshold(img,127,255,cv.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,i1),plt.imshow(images[i],gray)plt.title(titles[i])plt.xticks([]),plt.yticks([])
plt.show()结果如下所示 自适应阈值 在前一节中我们使用一个全局变量作为阈值。但在图像在不同区域具有不同照明条件的条件下这可能不是很好。在这种情况下我们采用自适应阈值。在此算法计算图像的一个小区域的阈值。因此我们得到了同一图像不同区域的不同阈值对于不同光照下的图像得到了更好的结果。
它有三个“特殊”输入参数只有一个输出参数。
Adaptive Method-它决定如何计算阈值。
cv.ADAPTIVE_THRESH_MEAN_C 阈值是指邻近地区的平均值。cv.ADAPTIVE_THRESH_GAUSSIAN_C 阈值是权重为高斯窗的邻域值的加权和。
Block Size-它决定了计算阈值的窗口区域的大小。
C-它只是一个常数会从平均值或加权平均值中减去该值。
下面的代码比较了具有不同照明的图像的全局阈值和自适应阈值
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img cv.imread(sudoku.png,0)
img cv.medianBlur(img,5)
ret,th1 cv.threshold(img,127,255,cv.THRESH_BINARY)
th2 cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,\cv.THRESH_BINARY,11,2)
th3 cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,\cv.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,i1),plt.imshow(images[i],gray)plt.title(titles[i])plt.xticks([]),plt.yticks([])
plt.show()结果如下所示 Otsu 二值化 在全局阈值化中我们使用一个任意的阈值那么我们如何知道我们选择的值是好的还是不好的呢答案是试错法。但是考虑一个双峰图像简单来说双峰图像是一个直方图有两个峰值的图像。对于那个图像我们可以近似地取这些峰值中间的一个值作为阈值这就是 Otsu 二值化所做的。所以简单来说它会自动从双峰图像的图像直方图中计算出阈值。对于非双峰图像二值化将不准确。 为此我们使用了 cv.threshold 函数但传递了一个额外的符号 cv.THRESH_OTSU 。对于阈值只需传入零。然后该算法找到最佳阈值并作为第二个输出返回 retval。如果不使用 otsu 阈值则 retval 与你使用的阈值相同。 查看下面的示例。输入图像是噪声图像。在第一种情况下我应用了值为 127 的全局阈值。在第二种情况下我直接应用 otsu 阈值。在第三种情况下我使用 5x5 高斯核过滤图像以去除噪声然后应用 otsu 阈值。查看噪声过滤如何改进结果。
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img cv.imread(noisy2.png,0)
# 全局阈值
ret1,th1 cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu 阈值
ret2,th2 cv.threshold(img,0,255,cv.THRESH_BINARYcv.THRESH_OTSU)
# 经过高斯滤波的 Otsu 阈值
blur cv.GaussianBlur(img,(5,5),0)
ret3,th3 cv.threshold(blur,0,255,cv.THRESH_BINARYcv.THRESH_OTSU)
# 画出所有的图像和他们的直方图
images [img, 0, th1,img, 0, th2,blur, 0, th3]
titles [Original Noisy Image,Histogram,Global Thresholding (v127),Original Noisy Image,Histogram,Otsus Thresholding,Gaussian filtered Image,Histogram,Otsus Thresholding]
for i in xrange(3):plt.subplot(3,3,i*31),plt.imshow(images[i*3],gray)plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])plt.subplot(3,3,i*32),plt.hist(images[i*3].ravel(),256)plt.title(titles[i*31]), plt.xticks([]), plt.yticks([])plt.subplot(3,3,i*33),plt.imshow(images[i*32],gray)plt.title(titles[i*32]), plt.xticks([]), plt.yticks([])
plt.show()结果如下
