OpenCv之图像二值化（笔记12）

# 图像处理中，Thresholding中文翻译过来叫二值化或者阈值化。二值化就是把图片转换成只有white赫尔black这俩种颜色。通过Thresholding，可以让图片中感兴趣
# 的颜色编程主角--white,其余的颜色全部都隐藏--black。另外，二值化后的图片也便于计算机进行分析，因为边缘轮廓十分清晰，所以计算机可以轻松找到边界线。
# 然而，再找边界这方面，Thresholding并不是特别好的算法，有些时候遇到某些特殊图片效果也不太好。

# cv2.THRESH_BINARY（超过阈值的为1，没有的为0）
# cv2.THRESH_BINARY_INV（相反，小于阈值的为1，大于阈值的为0）
# cv2.THRESH_TRUNC（大于阈值的为阈值，小于阈值的不变）
# cv2.THRESH_TOZERO（大于阈值的设置为0，其他的不变）
# cv2.THRESH_TOZERO_INV（小于阈值的设置为0，其他不变）

import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):plt.imshow(image)plt.axis('off')plt.show()def imread(image):image=cv2.imread(image)#把图像的BGR转换成RGBimage=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)return image
image=imread('im.jpg')#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()ret1,thresh1=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret2,thresh2=cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret3,thresh3=cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret4,thresh4=cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret5,thresh5=cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)titles=['original','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images=[gray,thresh1,thresh2,thresh3,thresh4,thresh5]
plt.figure(figsize=(15,5))
for i in range(6):plt.subplot(2,3,i+1)plt.imshow(images[i],'gray')plt.title(titles[i])plt.axis('off')
plt.show()

效果展示：

#如何把图片的背景去掉，只留下图片（相当于做个遮挡）
show(cv2.bitwise_and(image,image,mask=thresh1))

阈值的选择方法：

第一种方法：
#Otsu‘s Method
#自动选择阈值

import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):plt.imshow(image)plt.axis('off')plt.show()def imread(image):image=cv2.imread(image)#把图像的BGR转换成RGBimage=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)return image
image=imread('im.jpg')#Otsu‘s Method
#自动选择阈值ret6,thresh6=cv2.threshold(gray,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)
ret7,thresh7=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)plt.imshow(thresh7,'gray')
plt.axis('off')
plt.show()

效果展示：

第二种方法：

# #Adaptive Thresholding自适应阈值
# 在前面的部分我们使用的是全局阈值，整幅图像采用同一个数值作为阈值。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在其对应的阈值。因此再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。
#
# Adaptive Method指定阈值的计算方法。
# cv2.ADPTIVE_THRESH_MEAN_C：阈值去相邻区域的平均值（平均值阈值）
# 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。（高斯阈值）
# Block Size 邻域大小（用来计算阈值的区域大小）。
# C这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数

import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):plt.imshow(image)plt.axis('off')plt.show()def imread(image):image=cv2.imread(image)#把图像的BGR转换成RGBimage=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)return image
image=imread('im.jpg')#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()# #Adaptive Thresholding自适应阈值
# 在前面的部分我们使用的是全局阈值，整幅图像采用同一个数值作为阈值。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在其对应的阈值。因此再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。
#
# Adaptive Method指定阈值的计算方法。
# cv2.ADPTIVE_THRESH_MEAN_C：阈值去相邻区域的平均值（平均值阈值）
# 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。（高斯阈值）
# Block Size 邻域大小（用来计算阈值的区域大小）。
# C这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数#中值滤波
image=cv2.medianBlur(image,5)
#普通二值化
ret,th1=cv2.threshold(image,127,255,cv2.THRESH_BINARY)
#平均值阈值
th2=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
#高斯阈值
th3=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3)
titles=['original','Global Thresholding','Adaptive Mean Thresholding','Adaptive Gaussian Thresholding']
images=[image,th1,th2,th3]
plt.figure(figsize=(10,5))
for i in range(4):plt.subplot(2,2,i+1)plt.imshow(images[i],"gray")plt.axis('off')plt.title(titles[i])
plt.show()

出现了问题：

F:\开发工具\pythonProject\tools\venv\Scripts\python.exe F:/开发工具/pythonProject/tools/opencv/open18.py
Traceback (most recent call last):File "F:\开发工具\pythonProject\tools\opencv\open18.py", line 79, in <module>th2=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
cv2.error: OpenCV(4.5.2) C:\Users\runneradmin\AppData\Local\Temp\pip-req-build-m8us58q4\opencv\modules\imgproc\src\thresh.cpp:1676: error: (-215:Assertion failed) src.type() == CV_8UC1 in function 'cv::adaptiveThreshold'Process finished with exit code 1

解决办法：

import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):plt.imshow(image)plt.axis('off')plt.show()def imread(image):image=cv2.imread(image)#把图像的BGR转换成RGBimage=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)return image
image=imread('im.jpg')#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()# #Adaptive Thresholding自适应阈值
# 在前面的部分我们使用的是全局阈值，整幅图像采用同一个数值作为阈值。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在其对应的阈值。因此再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。
#
# Adaptive Method指定阈值的计算方法。
# cv2.ADPTIVE_THRESH_MEAN_C：阈值去相邻区域的平均值（平均值阈值）
# 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。（高斯阈值）
# Block Size 邻域大小（用来计算阈值的区域大小）。
# C这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数#中值滤波
image=cv2.medianBlur(gray,5)
#普通二值化
ret,th1=cv2.threshold(image,127,255,cv2.THRESH_BINARY)
#平均值阈值
th2=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
#高斯阈值
th3=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3)
titles=['original','Global Thresholding','Adaptive Mean Thresholding','Adaptive Gaussian Thresholding']
images=[image,th1,th2,th3]
plt.figure(figsize=(10,5))
for i in range(4):plt.subplot(2,2,i+1)plt.imshow(images[i],"gray")plt.axis('off')plt.title(titles[i])
plt.show()

把这个变换一下：

image=imread('im.jpg')#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()#中值滤波
image=cv2.medianBlur(gray,5)#这让这里读入灰度图，不要原始图片，问题解决掉了
#普通二值化
ret,th1=cv2.threshold(image,127,255,cv2.THRESH_BINARY)

效果展示：

OpenCv之图像二值化（笔记12）相关推荐

Python使用openCV把原始彩色图像转化为灰度图、使用OpenCV把图像二值化（仅仅包含黑色和白色的简化版本）、基于自适应阈值预处理（adaptive thresholding）方法
Python使用openCV把原始彩色图像转化为灰度图.使用OpenCV把图像二值化(仅仅包含黑色和白色的简化版本).基于自适应阈值预处理(adaptive thresholding)方法目录
[转载] python3 opencv 图像二值化笔记（cv2.adaptiveThreshold）
参考链接: python opencv 基础6: cv2.threshold()二值图像前一篇研究了opencv二值化方法threshold的使用,但是这个方法也存在一定的局限性,假如有一张图存在明 ...
python3 opencv 图像二值化笔记（cv2.adaptiveThreshold）
前一篇研究了opencv二值化方法threshold的使用,但是这个方法也存在一定的局限性,假如有一张图存在明显的明暗不同的区域,如下图可以看到左边部分因为整体偏暗,导致二值化后变成全黑,丢失了所有 ...
Opencv教程-图像二值化
图像二值化的概念图像二值化是指将指将256阶的灰度图通过合适的阈值,转换为黑白二值图.即像素或0和255.其目的通常为将图像的前后景进行分割,使图像变得简单,数据量减小,能凸显出感兴趣的目标的轮廓. ...
opencv java图像二值化处理
1.threshold方法: Imgproc.threshold(Mat src, Mat dst, double thresh, double maxval, int type) 参数: src 原 ...
C#，图像二值化（12）——基于谷底最小值的全局阈值算法（Valley-Minium Thresholding）与源代码
1.基于谷底最小值的阈值这个方法适用于通过有限的迭代次数,平滑后能得到双峰的图像,让双峰的谷底成为阈值.当执行完基于谷底最小值的阈值操作的时候,改变了直方图信息,使之成为处理过后的直方图信息,这时候 ...
OpenCV机器视觉-图像二值化
图像二值化图像二值化( 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. 在数字图像处理中,二值图像占有非常重要的地位 ...
opencv实现图像二值化（直接确定或滑杆调节）
一.滑杆调节版-- #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #inclu ...
OpenCV-Python 图像二值化
OpenCV-Python 图像二值化一.什么是图像二值化二.图像二值化 Ⅰ先获取阈值: Ⅱ根据阈值去二值化图像 ⅢOpenCV中的二值化方法三.全局阈值函数cv2.threshold · 函数 ...

OpenCv之图像二值化（笔记12）

OpenCv之图像二值化（笔记12）相关推荐

最新文章

热门文章