网站着陆页,企业如何打造品牌,济南住房和房产信息网,本地装修网二值化
定义
何为二值化#xff1f;顾名思义#xff0c;就是将图像中的像素值改为只有两种值#xff0c;黑与白。此为二值化。
二值化操作的图像只能是灰度图#xff0c;意思就是二值化也是一个二维数组#xff0c;它与灰度图都属于单信道#xff0c;仅能表示一种色调…二值化
定义
何为二值化顾名思义就是将图像中的像素值改为只有两种值黑与白。此为二值化。
二值化操作的图像只能是灰度图意思就是二值化也是一个二维数组它与灰度图都属于单信道仅能表示一种色调。而二值化表示的是 极致的黑 与 极致的白。 如何设置二值化
1.阈值法(THRESH_BINARY)
通过设置一个阈值将灰度图中的每一个像素值与该阈值进行比较小于等于阈值的像素就被设置为0黑大于阈值的像素就被设置为maxval白。 原理代码如下
import cv2
import numpy as np# 读取彩色图
img cv2.imread(./flower.png)# 先转换成灰度图
img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)img_binary np.zeros_like(img_gray)# 设置一个阈值
thresh 127# 遍历灰度图的每一个像素点
for i in range(img_gray.shape[0]):for j in range(img_gray.shape[1]):if img_gray[i][j] thresh:img_binary[i, j] 0else:img_binary[i, j] 255cv2.imshow(image, img)
cv2.imshow(image_gray, img_gray)
cv2.imshow(image_binary, img_binary)
cv2.waitKey(0)
效果如下 2.反阈值法(THRESH_BINARY_INV)
与阈值法相反。反阈值法是当灰度图的像素值大于阈值时该像素值将会变成0黑当灰度图的像素值小于等于阈值时该像素值将会变成maxval白。 原理代码
跟上面阈值法的代码一样只是把 换成 将筛选对象调换即可 将阈值法与反阈值法的处理结果对比可以发现两者的黑白色调刚好相反
3.截断阈值法(THRESH_TRUNC)
指将灰度图中的所有像素与阈值进行比较像素值大于阈值的部分将会被修改为阈值小于等于阈值的部分不变。换句话说经过截断阈值法处理过的二值化图中的最大像素值就是阈值。 4.低阈值零处理(THRESH_TOZERO)
就是像素值小于等于阈值的部分被置为0也就是黑色大于阈值的部分不变。 5.超阈值零处理(THRESH_TOZERO_INV)
就是将灰度图中的每个像素与阈值进行比较像素值大于阈值的部分置为0也就是黑色像素值小于等于阈值的部分不变。 6.OTSU阈值法(THRESH_OTSU)
在介绍OTSU阈值法之前我们首先要了解一下双峰图片的概念。
双峰图片就是指灰度图的直方图上有两个峰值直方图就是对灰度图中每个像素值的点的个数的统计图如下图所示。 OTSU算法是通过一个值将这张图分前景色和背景色也就是灰度图中小于这个值的是一类大于这个值的是一类通过统计学方法最大类间方差来验证该值的合理性当根据该值进行分割时使用最大类间方差计算得到的值最大时该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算直到灰度图中的最大像素值减1然后把得到的最大类间方差值进行比较来得到二值化的阈值。具体实现过程我们不用考虑直接调用即可。
threshold函数
上述方法只是介绍其原理在opencv库中这些方法都已经被封装好了我们只需要调用这些接口即可并不需要我们手动实现。通过threshold函数来调用具体介绍如下 功能用于对图像进行二值化处理 参数 src: 输入图像这应该是一个灰度图像即单通道图像。如果你有一个彩色图像你需要先使用 cv2.cvtColor() 将其转换为灰度图。thresh: 阈值用于将像素划分为两部分。这个值是一个浮点数或整数取决于图像的数据类型。maxVal: 最大值用于设置高于阈值的像素值。这个值通常是一个整数表示你想要将高于阈值的像素设置为的具体数值。type: 阈值类型这是一个标志用于指定如何应用阈值。OpenCV 提供了几种不同的阈值类型如 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV。dst: 输出图像与输入图像具有相同的大小和类型。这是一个可选参数如果不提供函数会创建一个新的图像来存储二值化结果。一般不会设置这个参数 函数返回值 ret: 实际使用的阈值。在某些情况下如使用 cv2.THRESH_OTSU 或 cv2.THRESH_TRIANGLE 标志时这个值可能会与输入的 thresh 不同。因为这两个算法会自动计算阈值从而覆盖掉你所设置的阈值dst: 二值化后的图像。 代码示例
import cv2# 读取彩色图
img cv2.imread(./flower.png)# 先转换成灰度图
img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用cv2的二值化函数
ret, img_binary cv2.threshold(img_gray, 200, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)
print(ret) # 使用的阈值可能不是你设定的阈值cv2.imshow(image, img)
cv2.imshow(image_gray, img_gray)
cv2.imshow(image_binary, img_binary)
cv2.waitKey(0)
自动化二值化
与二值化算法相比自适应二值化更加适合用在明暗分布不均的图片因为图片的明暗不均导致图片上的每一小部分都要使用不同的阈值进行二值化处理这时候传统的二值化算法就无法满足我们的需求了于是就出现了自适应二值化。
adaptiveThreshold函数
自适应二值化方法会对图像中的所有像素点计算其各自的阈值这样能够更好的保留图片里的一些信息。通过adaptiveThreshold函数调用 功能对图像应用自适应阈值处理。 参数 src: 输入图像必须为灰度图像。maxValue: 超过或等于阈值的像素值被赋予的值。它可以是任意数值但通常设置为 255表示白色。adaptiveMethod: 自适应阈值算法的选择。有两种选择 cv2.ADAPTIVE_THRESH_MEAN_C计算邻域的平均值然后从平均值中减去常数 C。cv2.ADAPTIVE_THRESH_GAUSSIAN_C计算邻域像素的加权和使用高斯窗口然后从加权和中减去常数 C。thresholdType: 阈值类型与固定阈值函数 cv2.threshold() 相同。通常是 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV。blockSize: 用于计算阈值的邻域大小必须是奇数也就是核。C: 从计算出的平均值或加权和中减去的常数。 import cv2# 读取彩色图
img cv2.imread(./lena.png)# 先转换成灰度图
img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 调用自适应二值化函数
img_adaptive cv2.adaptiveThreshold(img_gray, # 参数1 灰度图255, # 参数2 最大值cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # 参数3 自适应方法cv2.THRESH_BINARY, # 参数4 二值化类型7, # 参数5 核的大小5 # 参数6 计算的阈值减去这个常数是最终阈值)
cv2.imshow(image, img)
cv2.imshow(image_gray, img_gray)
cv2.imshow(image_adaptive_binary, img_adaptive)
cv2.waitKey(0)
