OpenCV —— 阈值与平滑处理

ゝ一纸荒年。 2023-03-13 03:25 2阅读 0赞

### 文章目录 ###

*  图像阈值
 *   *  举例
 *  平滑处理
 *   *  均值滤波
     *  方原滤波
     *  高斯滤波
     *  中值滤波
     *   *  什么是卷积？
     *  展示全部平滑处理

# 图像阈值 #

ret,dst = cv2.threshold(src,thresh,maxval,type)

*  src ：输入图，只能输入单通道图像，通常来说为灰度图
 *  dst ：输出图
 *  thresh ：阈值
 *  maxval ：当像素值超过了阈值（或者小于阈值，根据 type 来决定），所赋予的值
 *  type ：二值化操作的类型，包含以下 5 种类型，cv2.THRESH\_BINARY、cv2.THRESH\_BINARY\_INV、cv2.THRESH\_TRUNC、cv2.THRESH\_TOZERO、cv2.THRESH\_TOZERO\_INV
 *  cv2.THRESH\_BINARY ：超过阈值部分取 maxval（最大值），否则取 0
 *  cv2.THRESH\_BINARY\_INV ：是 cv2.THRESH\_BINARY 的反转
 *  cv2.THRESH\_TRUNC ：大于阈值部分设为阈值，否则不变
 *  cv2.THRESH\_TOZERO ：大于阈值部分不改变，否则设为 0
 *  cv2.THRESH\_TOZERO\_INV ：是 cv2.THRESH\_TOZERO 的反转

## 举例 ##

先看输出结果图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70]  
OK ，然后写代码

import cv2
    import matplotlib.pyplot as plt
    
    img = cv2.imread("./1.jpg")
    
    ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
    ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
    ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
    ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
    ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
    
    titles = ['Original','Image','Binary','Binary_INV','Trunc','ToZero','ToZero_INV']
    images = [img,thresh1,thresh2,thresh3,thresh4,thresh5]
    
    # 遍历
    for i in range(len(images)):
        plt.subplot(2, 3, i + 1)
        plt.imshow(images[i],'gray')
        plt.title(titles[i])
        plt.xticks([])
        plt.yticks([])
    # 图像显示
    plt.show()

# 平滑处理 #

## 均值滤波 ##

先看下效果图，好像跟原图没什么区别  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 1]  
然而代码只是做了简单的均值滤波操作，代码如下：

import cv2
    
    img = cv2.imread('./1.jpg')
    
    # 均值滤波
    # 简单的平均卷积操作
    blur = cv2.blur(img,(3,3))
    cv2.imshow('blur',blur)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

--------------------

## 方原滤波 ##

先看效果图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 2]  
代码如下：

import cv2
    
    img = cv2.imread('./1.jpg')
    
    # 方原滤波
    # 基本和均值一样
    box = cv2.boxFilter(img,-1,(3,3),normalize=True)
    
    cv2.imshow('box',box)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

## 高斯滤波 ##

先看下效果图，从图中明显可以发现，左边的图比右边的要模糊那么一点点，这是使用高斯滤波来实现的  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 3]  
代码如下：

import cv2
    
    img = cv2.imread('./2.jpg')
    
    # 高斯模糊
    # 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
    gaussian = cv2.GaussianBlur(img, (5, 5), 1)
    cv2.imshow('gaussian', gaussian)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

## 中值滤波 ##

效果图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 4]  
代码如下：

import cv2
    
    img = cv2.imread('./2.jpg')
    
    # 中值滤波
    # 相当于用中值代替
    median = cv2.medianBlur(img, 5)
    cv2.imshow("median", median)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

### 什么是卷积？ ###

在泛函分析中，卷积、旋积或摺积(英语：Convolution)是通过两个函数 f 和 g 生成第三个函数的一种数学算子，表征函数 f 与 g 经过翻转和平移的重叠部分函数值乘积对重叠长度的积分

如果将参加卷积的一个函数看作区间的指示函数，卷积还可以被看作是 “滑动平均” 的推广

![在这里插入图片描述][format_png_pic_center]  
假设 C1,1 是两个矩阵相乘后得到的新的数值，那么也就是 f 和 g 的元素下标相加都为 1,1，即：  
C1,2 = a0,0b1,1 + a0,1b1,0 + a0,2b2,0 …

关于卷积神经的更多介绍请看这篇文章 [如何通俗易懂地解释卷积?][Link 1] 这篇文章写得很好，用丰富图片文字公式的形式简单易懂地讲解了什么是卷积

## 展示全部平滑处理 ##

效果图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 5]

代码如下：

import cv2
    import numpy as np
    
    img = cv2.imread('./2.jpg')
    
    # 均值滤波
    # 简单的平均卷积操作
    blur = cv2.blur(img, (3, 3))
    
    # 高斯模糊
    # 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
    gaussian = cv2.GaussianBlur(img, (5, 5), 1)
    
    # 中值滤波
    # 相当于用中值代替
    median = cv2.medianBlur(img, 5)
    
    # 将三幅图横向连在一起
    res = np.hstack((blur, gaussian, median))
    
    # 显示图像
    cv2.imshow("median vs average", res)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70]: /images/20230312/4e48e678be934a3cbb73918ffa8b58d9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 1]: /images/20230312/1c78c8f9b35e4e89b6556af8ad76ee4d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 2]: /images/20230312/f8e0a45a200a458c9ed65ff0f446831a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 3]: /images/20230312/8137e921cd924d7b8f98121548c06fb9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 4]: /images/20230312/b9008e2b5daa475e8ed9e2d32d7ad41a.png
[format_png_pic_center]: /images/20230312/4ed20df1c2704af0abe2e40329967962.png
[Link 1]: https://www.zhihu.com/question/22298352
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dvb19ob21l_size_16_color_FFFFFF_t_70 5]: /images/20230312/2191ddd96f00497cbd460aa31c575195.png