Python机器视觉--OpenCV进阶(核心)--图像二值化

1.图像二值化

1.1 图像全局二值化

• 二值化: 将图像的每个像素变成两种值, 比如0, 255.

• threshold(src, thresh, maxval, type[, dst])

  • src 最好是灰度图

  • thresh: 阈值

  • maxval: 最大值, 最大值不一定是255

  • type: 操作类型. 常见操作类型如下:

简单解释：

• 1.若图片数值大于 阈值 则变为255（白色）否则为0（黑色）
• 2.倒置1. 即 大于 阈值 为0 小于则为255
• 3.相当于抹平 即 大于 阈值 则为阈值 小于 不受影响
• 4.变零操作 即 大于阈值 不受影响 小于阈值 则变为0
• 5.倒置4 即 小于阈值 不受影响 大于阈值 则变为0

代码实现

import cv2
import numpy as np

img = cv2.imread('./dog.jpeg')

#cvtColor 用于将图像进行灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 返回两个结果, 一个是阈值, 另一个是处理后的图片
ret, dst = cv2.threshold(gray, 80, 255, cv2.THRESH_BINARY)

cv2.imshow('dog', np.hstack((gray, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

1.2 自适应阈值二值化

在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。

• adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
  　　这种方法需要我们指定六个参数，返回值只有一个。
  • Adaptive Method- 指定计算阈值的方法。
    　　　　　　– cv2.ADAPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
    　　　　　　– cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。
  • hresholdType：二值化方法，可以设置为THRESH_BINARY或者THRESH_BINARY_INV
    blockSize：分割计算的区域大小，取奇数
  • Block Size - 邻域大小（用来计算阈值的区域大小）。
  • C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。

代码实现

import numpy as np
import cv2

img=cv2.imread('./code/dog.jpeg')

#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

cv2.imshow('dog',np.hstack((gray,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13

结果如下

cv2.ADAPTIVE_THRESH_MEAN_C, 与cv2.ADPTIVE_THRESH_GAUSSIAN_C 的对比

import numpy as np
import cv2

img=cv2.imread('./code/dog.jpeg')

#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,9,0)
dst2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
cv2.imshow('dog',np.hstack((gray,dst,dst2)))
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13

cv2.THRESH_BINARY 与cv2.THRESH_BINARY_INV 的对比

import numpy as np
import cv2

img=cv2.imread('./code/dog.jpeg')

#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
dst2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV ,9,0)
cv2.imshow('dog',np.hstack((gray,dst,dst2)))
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13

threshold 与 adaptiveThreshold 对比

import numpy as np
import cv2
img=cv2.imread('./code/dog.jpeg')
cv2.namedWindow('img',cv2.WINDOW_NORMAL)
#二值化操作是对灰度图片进行操作，因此需要将图片灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 全局二值化
thres,dst=cv2.threshold(gray,130,255,cv2.THRESH_BINARY)
#自适应二值化 
dst2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)

cv2.imshow('img',np.hstack((gray,dst,dst2)))

cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15