图像阈值

上一节，我们提到过像素矩阵值的范围为0到255，但有些时候我们需要人为的设定一个新的阈值，如这个值为x，新的阈值就变成了0到x和x到255两个范围，划分好范围之后，我们可以对这两个部分执行不同的操作，比如矩阵内落在x到255范围内的元素全部改为255，而0到x范围内的值不变。这样的操作很常见，实现的方法也很简单，只需要调用threshold函数：

ret, dst = cv2.threshold(src, thresh, maxval, type)
1

给大家解释一下指其中的参数含义：

• src：要输入的单通道图片，通常来说为灰度图

• dst：处理后的图像矩阵

• thresh：设置的阈值（要求输入0到255之间的整数值，经常以127为界）

• maxval： 像素矩阵中元素最大值。通常情况下该值为255。

• type：规定超过或小于阈值的元素处理方式。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（thresh）部分取maxval（最大值），否则取0。变成真正意义上的黑白二值图像
  • cv2.THRESH_BINARY_INV：THRESH_BINARY的反转
  • cv2.THRESH_TRUNC：在阈值处截断，大于阈值部分设为最大值，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：THRESH_TOZERO的反转
    下面我们用一个例子来看看处理结果：

import cv2
import matplotlib.pyplot as plt

img=cv2.imread('show_dog.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 获取灰度图

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) # 二值黑白图
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV) # 上图像素值取反
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC) # 超过阈值取最大
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO) # 低于阈值取0
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV) # 上图取反

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray') # 图像矩阵只有一个维度时，需要指定显示为灰度图
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

图像平滑

均值滤波

我们获取到的图像有些时候是有强噪声干扰的，比如：

我们可以看到，这张图片里有着大量的白点，这些都属于噪声。对于这种图片，我们可以使用均值滤波来进行调整：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('lenaNoise.png')
# 均值滤波
blur = cv2.blur(img, (3, 3))

cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10

可以发现， cv2.blur()函数帮助我们把图像的噪点变得更平滑了。这个函数有两个常用参数，第一个参数是构成图像的矩阵，第二个参数是指定卷积核大小，卷积核多是n*n方阵，且n为奇数，通常等于3：

该函数作用方式为从像素矩阵的左上圈出第一个3×3区域，而后将中心的位置（红框所示）的值改为这九个数的平均值，然后将这个区域向右位移一个单位（入篮框所示）。在处理完最后一个3×3区域后，然后向下位移一个单位（如绿框所示），继续重复此前的求平均及移动的操作。

方框滤波

方框滤波操作方式基本和均值滤波一样，但多了两个常用参数：

cv2.boxFilter(img,-1,(3,3), normalize=True)
1

第一第三的参数和cv2.blur()函数是一样的，第二个参数-1代表处理后与原图像颜色通道一致，normalize为True代表做归一化（加和取平均），False则代表不做归一化，中间值超过255的值均记录为255。上代码：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('lenaNoise.png')
# 做归一化，结果与均值滤波相同
box1 = cv2.boxFilter(img,-1,(3,3), normalize=True)
# 不做归一化，所有越界值都记录为255
box2 = cv2.boxFilter(img,-1,(3,3), normalize=False)
img_show=[img,box1,box2]
titles=['original','box1','box2']

# 使用matplotlib分割显示区域，显示图片使用cv2的cvtColor函数，保证颜色通道的正常
fig, ax = plt.subplots(3, 3) # ax的维度由第一个参数决定，当该值为1时，ax是一维的，只需要一个参数即可。
for i in range(len(img_show)):
    ax[1,i].set_title(titles[i])
    ax[1,i].imshow(cv2.cvtColor(img_show[i], cv2.COLOR_BGR2RGB))
for i in range(3):
    for j in range(3):
        ax[i,j].axis('off') # 关闭坐标轴显示
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

看看效果：

中值滤波

中值滤波弄与均值滤波操作类似，只是红框中的数字不是九个数的均值，而是中位数。终止滤波函数为：

cv2.medianBlur(src,ksize) 
1

src时传入的图像矩阵，颜色通道可以是1,3,4，ksiz选择奇数，通常为3或5。当ksize为3或5时，矩阵内元素类型可以是8或16位无符号整数、32位浮点数。当ksize更大时，只能是8位无符号整数。下面我们看看效果：

import cv2
import numpy as np
img = cv2.imread('lenaNoise.png')
median = [cv2.medianBlur(img, 3),cv2.medianBlur(img, 7),cv2.medianBlur(img, 11)]  # 中值滤波

# 将三个矩阵连接成一个
res = np.hstack((median[0],median[1],median[2])) 
# hstack代表合成的矩阵行数不变，列数增加
# vstack代表合成矩阵列数不变，行数增加
cv2.imshow('median 3-5-11', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12

可以看出，当ksize增大时，图片的清晰度会快速降低，就像我们尽量选择较小的卷积核的原理一样。此外，这里介绍了合并图片的方法。但是这样的现实好像还是没有上面介绍的方式更直观。

高斯滤波

高斯滤波是利用正态分布的特性对图像进行滤波。依据标准正态分布（u=0）的特点：

高斯滤波的关键在于我们认为与中心点距离近的像素，对中心点值的影响越大，比如：

这样的处理显然比求平均更为合理。那么下面我们来用代码实现这种滤波方法：

import cv2
img = cv2.imread('lenaNoise.png')
aussian = cv2.GaussianBlur(img, (5,5),1) #(5, 5)表示高斯矩阵的长与宽都是5
                                         # 标准差取1

cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8

以上就是今天的全部内容，代码并不难，可以仿写一下。此外，大家还可以参考一下opencv平滑方法介绍，以及图像矩阵的元素类型介绍。