洛阳400电话洛阳网站seo,宜春网站制作公司,朔州网站设计公司,手机排行榜第一名1 基本概念
CV2中使用阈值的作用是将灰度图像二值化#xff0c;即将灰度图像的像素值根据一个设定的阈值分成黑白两部分。阈值处理可以用于图像分割、去除噪声、增强图像对比度等多个领域。例如#xff0c;在物体检测和跟踪中#xff0c;可以通过对图像进行阈值处理来提取目…1 基本概念
CV2中使用阈值的作用是将灰度图像二值化即将灰度图像的像素值根据一个设定的阈值分成黑白两部分。阈值处理可以用于图像分割、去除噪声、增强图像对比度等多个领域。例如在物体检测和跟踪中可以通过对图像进行阈值处理来提取目标区域在图像增强中可以使用阈值处理来增强图像的轮廓和细节等。 阈值处理可以使用cv2.threshold()函数来完成。
retval, dst cv2.threshold(src, thresh, maxval, type)其中参数解释如下
src输入图像可以是灰度图像或彩色图像。thresh设定的阈值。maxval二值化后的最大值。当type为cv2.THRESH_BINARY或cv2.THRESH_BINARY_INV时像素值大于阈值的部分会设置为maxval否则会设置为0。type二值化操作的类型包括 cv2.THRESH_BINARY二值化操作大于阈值的像素值设置为maxval小于等于阈值的像素值设置为0。cv2.THRESH_BINARY_INV反向二值化操作大于阈值的像素值设置为0小于等于阈值的像素值设置为maxval。cv2.THRESH_TRUNC截断操作大于阈值的像素值设置为阈值小于等于阈值的像素值保持不变。cv2.THRESH_TOZERO像素值小于等于阈值的设置为0大于阈值的保持不变。cv2.THRESH_TOZERO_INV像素值大于等于阈值的设置为0小于阈值的保持不变。
cv2.threshold()函数的返回值为一个元组包括
retval实际使用的阈值。dst二值化后的输出图像。
2 二值化处理
灰度图像
通过对灰度图像进行二值处理可以在图形中只保留两种颜色通常我们设定为255白色和0黑色但也可根据需求设置为黑色和灰色的二值图像如
import cv2
img cv2.imread(lenacolor.png, 0) # 将图像读成灰度图像
t1, dst1 cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 cv2.threshold(img, 127, 200, cv2.THRESH_BINARY)
cv2.imshow(img, img)
cv2.imshow(dst1, dst1)
cv2.imshow(dst2, dst2)
cv2.waitKey()
cv2.destroyAllWindows()彩色图像
同样这一方法可用于彩色图像通过对某一通道进行二值化使图像的颜色变得更加夸张如
import cv2 img cv2.imread(lenacolor.png)
b, g, r cv2.split(img) # 将BGR通道分离 # 对红色通道进行阈值处理
t1, r cv2.threshold(r, 127, 255, cv2.THRESH_BINARY) img_after cv2.merge([b, g, r]) cv2.imshow(original, img)
cv2.imshow(threshold, img_after)
cv2.waitKey(0)
cv2.destroyAllWindows()反二值化处理
反二值化处理Inverse Thresholding是二值化处理的一种变体其作用是将灰度图像的像素值根据一个设定的阈值分成两部分但是与普通二值化处理不同的是反二值化处理将像素值大于阈值的部分设置为0小于等于阈值的部分设置为最大像素值即产生一个反色的二值化图像。代码中type需要设置为cv2.THRESH_BINARY_INV。 防止视觉疲劳后面的图换了一下示例图像 3 零处理
低于阈值零处理
低于阈值的部分会被处理为0此时填入的maxval无效 对灰度图来说低于阈值的部分将会被处理为黑色对于RGB彩图来说低于阈值的部分图像会变暗。
import cv2
img1 cv2.imread(test.png, 0) # 将图像读成灰度图像
img2 cv2.imread(test.png) b, g, r cv2.split(img2) # 将BGR通道分离 t1, dst1 cv2.threshold(img1, 127, 255, cv2.THRESH_TOZERO) # 低于阈值零处理
cv2.imshow(img1, img1)
cv2.imshow(dst1, dst1) t2, b cv2.threshold(b, 127, 255, cv2.THRESH_TOZERO) # 低于阈值零处理
img_after cv2.merge([b, g, r])
cv2.imshow(img2, img2)
cv2.imshow(img_after, img_after) cv2.waitKey()
cv2.destroyAllWindows()超出阈值零处理
类似反二值化处理。将超出某一阈值的部分进行归零处理。超出阈值零处理可以在一些特定的场合下使用例如在一些需要保留一定程度的图像细节的场合超出阈值零处理可以避免将过多的像素值直接设置为0或最大像素值从而使图像保留更多的细节信息。
4 截断处理
该方法传入的type是cv2.THRESH_TRUNC代码结构与前面高度重合此处不再贴代码。 截断处理是二值化处理的一种变体其作用是将灰度图像的像素值根据一个设定的阈值分成两部分但是与普通的二值化处理不同的是超出阈值的部分不会被设置为0或最大像素值而是被截断为阈值本身。 图像截断处理通常适合用于需要保留图像主要信息的场合而又不需要进行明显的二值化操作的场合。在这种情况下截断处理可以使得图像保留更多的灰度级从而能够更好地保留图像中的细节和信息同时又能够去除一些噪声或者不需要的部分。
5 自适应处理
自适应阈值处理是图像处理中的一种常见操作可以根据图像局部的灰度特征来自适应地确定阈值以达到更好的二值化效果。在OpenCV中可以使用cv2.adaptiveThreshold()函数进行自适应阈值处理。 相比于阈值处理自适应处理具有以下优点
自适应处理可以根据局部像素的灰度值特征来确定二值化阈值从而适应图像的不同区域和不同光照条件能够更好地突出图像中的目标物体。自适应处理可以在处理过程中保留更多的细节信息减少因阈值过大或过小而造成的信息丢失提高图像处理的准确性。自适应处理适用于复杂背景下的目标物体分割特别是在背景区域灰度分布不均的情况下能够更好地处理背景区域和目标区域的差异。
自适应处理相比于阈值处理具有更好的适应性和灵活性可以在不同的图像处理场景中应用。当图像的灰度分布不均、光照条件不同或需要保留更多的细节信息时自适应处理通常是更好的选择。
cv2.adaptiveThreshold()函数的基本语法如下
dst cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)其中
src输入图像必须为灰度图像。maxValue二值化后的最大值。adaptiveMethod自适应阈值处理的方法包括 cv2.ADAPTIVE_THRESH_MEAN_C基于均值的自适应阈值处理。cv2.ADAPTIVE_THRESH_GAUSSIAN_C基于高斯加权平均值的自适应阈值处理。 thresholdType阈值类型与普通二值化处理相同包括 cv2.THRESH_BINARY二值化操作大于阈值的像素值设置为maxValue小于等于阈值的像素值设置为0。cv2.THRESH_BINARY_INV反向二值化操作大于阈值的像素值设置为0小于等于阈值的像素值设置为maxValue。 blockSize每个像素点周围用来计算阈值的像素数。必须是奇数。C阈值校正值。该值会被加到均值或加权平均值上用于调整阈值。
cv2.adaptiveThreshold()函数的返回值为二值化后的输出图像。
仍以上一张图像为例
import cv2 image_Gray cv2.imread(test.png, 0) # 自适应阈值的计算方法为cv2.ADAPTIVE_THRESH_MEAN_C
athdMEAM cv2.adaptiveThreshold\ (image_Gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 0)
# 自适应阈值的计算方法为cv2.ADAPTIVE_THRESH_GAUSSIAN_C
athdGAUS cv2.adaptiveThreshold\ (image_Gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 5, 0)
# 显示自适应阈值处理的结果
cv2.imshow(MEAN_C, athdMEAM)
cv2.imshow(GAUSSIAN_C, athdGAUS)
cv2.waitKey()
cv2.destroyAllWindows()可以看出自适应阈值似乎保留了更多细节但此处效果并不好也就说明自适应并不能完全代替人工选择。对于人脸图像该方法的效果会比上图更好一些
6 Ostu方法
Otsu’s method 是一种经典的自适应阈值处理算法可以自动确定图像的二值化阈值。该算法可以将图像中的像素值分为两部分从而将图像转换为二值图像。在 OpenCV 中可以使用cv2.threshold()函数进行 Otsu’s method 处理。在type中输入对应的方法名cv2.THRESH_OTSU即可调用该方法。该方法的存在也是threshold将阈值作为返回值的意义所在。 在 Otsu’s method 中不需要预先指定阈值而是通过计算图像灰度直方图和类间方差来确定阈值。具体来说该方法会计算每一个像素灰度值作为阈值时将图像分为前景和背景两部分的类间方差然后选取类间方差最大的像素灰度值作为二值化阈值。
import cv2img cv2.imread(test.png, 0)
ret, thresh cv2.threshold(img, 0, 255, cv2.THRESH_BINARYcv2.THRESH_OTSU)cv2.imshow(original, img)
cv2.imshow(Otsu threshold, thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()
