目录
  • 二值化的原理
  • OpenCV提供的图像二值化API
  • 自适应阈值
  • 大津算法（最大类间方差法）
  • 总结

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。

二值化的原理

import cv2 img = cv2.imread('img/lena.jpg') # 转为灰度图 new_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) height, width = new_img.shape[0:2] # 设置阈值 thresh = 60 # 遍历每一个像素点 for row in range(height): for col in range(width): # 获取到灰度值 gray = new_img[row, col] # 如果灰度值高于阈值 就等于255最大值 if gray > thresh: new_img[row, col] = 255 # 如果小于阈值，就直接改为0 elif gray < thresh: new_img[row, col] = 0 cv2.imshow('img', new_img) cv2.waitKey()

OpenCV提供的图像二值化API

threshold()方法参数：

  • 图片矩阵
  • 阈值
  • 图片中的最大值
  • 二值化的方式

二值化的方式：

THRESH_BINARY 高于阈值改为255,低于阈值改为0
THRESH_BINARY_INV 高于阈值改为0,低于阈值改为255
THRESH_TRUNC 截断,高于阈值改为阈值,最大值失效
THRESH_TOZERO 高于阈值不改变,低于阈值改为0
THRESH_TOZERO_INV 高于阈值该为0,低于阈值不改变 

import cv2 img = cv2.imread('img/lena.jpg', cv2.IMREAD_GRAYSCALE) thresh, new_img = cv2.threshold(img, 60, 255, cv2.THRESH_BINARY) print(thresh) cv2.imshow('img', img) cv2.imshow('NEW_IMG', new_img) cv2.waitKey()

自适应阈值

使用一个全局值作为阈值。但是在所有情况下这可能都不太好。

如果图像在不同区域具有不同的照明条件。

在这种情况下，自适应阈值阈值可以帮助。这里，算法基于其周围的小区域确定像素的阈值。

因此，我们为同一图像的不同区域获得不同的阈值，这为具有不同照明的图像提供了更好的结果。

adaptlive()方法参数：

  • 1.图片矩阵
  • 2.图片灰度最大值
  • 3.计算阈值的方法
  • 4.阈值类型
  • 5.处理块大小
  • 6.算法所用的常量C

cv2.ADAPTIVE_THRESH_MEAN_C：该阈值是该附近区域减去恒定的平均Ç。

cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值是邻域值减去常数C的高斯加权和。

import cv2 img = cv2.imread('img/lena.jpg', cv2.IMREAD_GRAYSCALE) thresh_img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 5) cv2.imshow('thresh_img', thresh_img) cv2.waitKey()

大津算法（最大类间方差法）

图像分割中阈值选取的最佳算法

threshold(gaussian_img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)

import cv2 img = cv2.imread('img/lena.jpg', cv2.IMREAD_GRAYSCALE) # 使用255的阈值进行二值化 ret, thresh_img = cv2.threshold(img, 255, 255, cv2.THRESH_BINARY) cv2.imshow('normal', thresh_img) # 使用高斯滤波模糊图像 参数1： 图片矩阵 参数2：卷积核 参数3： 越大越模糊 gaussian_img = cv2.GaussianBlur(img, (5, 5), 0) cv2.imshow('gaussian_img', gaussian_img) # 使用大津算法0阈值二值化经过高斯滤波模糊后的图像 ret, thresh_img = cv2.threshold(gaussian_img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) cv2.imshow('otsu', thresh_img) cv2.imshow('img', img) cv2.waitKey()

原图：

使用255的阈值进行二值化 图片全黑了:

使用高斯滤波模糊图像：

图片矩阵卷积核越大越模糊

使用0阈值的大津算法二值化经过高斯滤波模糊后的图像：

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持本网站。

您可能感兴趣的文章:

  • 详解Python+OpenCV实现图像二值化
  • 关于python3 opencv 图像二值化的问题(cv2.adaptiveThreshold函数)
  • Python+OpenCV图像处理——图像二值化的实现
  • opencv python如何实现图像二值化