Python+OpenCV图像处理之图像二值化 悠悠 2021-12-03 20:01 531阅读 0赞 在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。 该函数的阈值操作属于像素级的操作，在灰度图中，每个像素都对应一个灰度值（0~255，0黑、255白），我们将阈值函数 threshold() 应用于图像，图像的灰度值与阈值进行比较，从而实现二值化处理，目的是滤除太大或太小值像素、消除噪声，从而从灰度图中获取二值图像（将图像的灰度值设置为0或255），实现增强整个图像呈现更为明显的黑白效果，同时也大大减少了数据量。 python实现 import cv2 import numpy as np # 全局阈值 def threshold_demo(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # ret, binary = cv2.threshold(gray,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU) # ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_TRIANGLE) # ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_TRUNC) ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) print("阈值：", ret) cv2.imshow("binary", binary) # 局部阈值 def local_threshold(image): gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY) # binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,25,10) binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 25, 10) cv2.imshow("binary ", binary) def custom_threshold(image): gray = cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY) h, w = gray.shape[:2] m = np.reshape(gray, [1, w*h]) mean = m.sum()/(w*h) # binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,25,10) ret, binary = cv2.threshold(gray, mean, 255, cv2.THRESH_BINARY) cv2.imshow("binary ", binary) if __name__ == "__main__": img = cv2.imread("image/img1.jpg") cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE) cv2.imshow("input image", img) custom_threshold(img) cv2.waitKey(0) cv2.destroyAllWindows() 全局阈值函数运行结果 ![760885-20190627111528773-1281597401.png][] 局部阈值函数运行结果 ![760885-20190627111712206-1813752078.png][] （一）全局阈值函数**cv2.threshold**(src, thresh, maxval, type\[, dst\]) -> retval, dst **参数：** src - 输入数组/图像（多通道，8位或32位浮点） thresh - 阈值 maxval - 最大值，与\#THRESH\_BINARY和\#THRESH\_BINARY\_INV阈值类型一起使用的最大值（maximum value） type - 阈值类型 dst - 输出数组/图像（与src相同大小和类型以及相同通道数的数组/图像）。 此外，特殊值\#THRESH\_OTSU或\#THRESH\_TRIANGLE可以与上述值之一组合。 在这些情况下，函数使用Otsu或Triangle算法确定最佳阈值，并使用它而不是指定的阈值。 **返回值：**retval - 阈值 thresh dst - 经函数处理后的图像 image 阈值类型 **1）二进制阈值化 THRESH\_BINARY** **2) 反二进制阈值化****THRESH\_BINARY\_INV ** **3）截断阈值化 THRESH\_TRUNC** **4) 阈值化为0 THRESH\_TOZERO** **5) 反阈值化为0 THRESH\_TOZERO\_INV** ![760885-20190626202020337-279270823.png][] （二）局部阈值函数**cv2.adaptiveThreshold**(src, maxValue, adaptiveMethod, thresholdType, blockSize, C\[, dst\]) -> dst **参数：**src-输入图像（8位单通道图像） maxValue-使用 THRESH\_BINARY 和 THRESH\_BINARY\_INV 的最大值. adaptiveMethod-自适应阈值算法，平均 （ADAPTIVE\_THRESH\_MEAN\_C）或高斯（ADAPTIVE\_THRESH\_GAUSSIAN\_C） thresholdType-阈值类型，必须为THRESH\_BINARY或THRESH\_BINARY\_INV的阈值类型 blockSize-块大小（奇数且大于1 ） C-常数，从平均值或加权平均值中减去的数。 通常情况下，这是正值，但也可能为零或负值 **返回值**：dst-经函数处理过的图像 转载于:https://www.cnblogs.com/qianxia/p/11093722.html [760885-20190627111528773-1281597401.png]: /images/20211203/7fe129987cdc4104899a9b5fd070c25a.png [760885-20190627111712206-1813752078.png]: /images/20211203/e6efb87746cb46c6abe3703a53e369c9.png [760885-20190626202020337-279270823.png]: /images/20211203/ac7b4b29c23c474184af4d19b42de6d0.png
还没有评论，来说两句吧...