OpenCV+python：图像二值化

1，图像二值化概念及方法
一个像素点的颜色是由RGB三个值来表现的，所以一个像素点矩阵对应三个颜色向量矩阵，分别是R矩阵，G矩阵，B矩阵，它们也都是同样大小的矩阵。

在图像处理中，用RGB三个分量（R：Red，G：Green，B：Blue），即红、绿、蓝三原色来表示真彩色，R分量，G分量，B分量的取值范围均为0~255，比如电脑屏幕上的一个红色的像素点的三个分量的值分别为：255，0，0。

在理解了一张图片是由一个像素点矩阵构成之后，我们就知道我们对图像的处理就是对这个像素点矩阵的操作，想要改变某个像素点的颜色，我们只要在这个像素点矩阵中找到这个像素点的位置，比如第x行，第y列，所以这个像素点在这个像素点矩阵中的位置就可以表示成（x，y）,因为一个像素点的颜色由红、绿、蓝三个颜色变量表示，所以我们通过给这三个变量赋值，来改变这个像素点的颜色，比如改成红色（255，0，0），可以表示为（x，y，（R=255，G=0，B=0））。

图像灰度化就是让像素点矩阵中的每一个像素点都满足下面的关系：R=G=B（就是红色变量的值，绿色变量的值，和蓝色变量的值，这三个值相等，“=”的意思不是程序语言中的赋值，是数学中的相等），此时的这个值叫做灰度值

二值化就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0~255，在二值化后的图像中的灰度值范围是0或者255。

常用简单的二值化方法（还有很多）：
方法1：
取阀值为127（相当于0~255的中数，（0+255）/2=127），让灰度值小于等于127的变为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是缺点也是很明显的，因为这个阀值在不同的图片中均为127，但是不同的图片，他们的颜色分布差别很大，所以用127做阀值，白菜萝卜一刀切，效果肯定是不好的。
方法2：
计算像素点矩阵中的所有像素点的灰度值的平均值avg
（像素点1灰度值+…+像素点n灰度值）/ n = 像素点平均值avg
然后让每一个像素点与avg一一比较，小于等于avg的像素点就为0（黑色），大于avg的像素点为255（白色），这样做比方法1好一些。
方法3：
使用直方图方法（也叫双峰法）来寻找二值化阀值，直方图是图像的重要特质。直方图方法认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低谷处就是阀值所在。取到阀值之后再一一比较就可以了。
2，图像二值化代码实现
利用OpenCV的API进行二值化处理源代码：

import cv2 as cv
import numpy as npdef threshold_demo(image):                          #全局阈值gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY|cv.THRESH_OTSU)print("threshold value %s"%ret)cv.imshow("global_threshold_binary", binary)
"""cv2.threshold函数是有两个返回值的，第一个返回值，得到图像的阈值，第二个返回值，也就是阈值处理后的图像，我们自己不一定能够找到一个最好的阈值，去二分化图像，所以我们需要算法自己去寻找一个阈值，而cv.THRESH_OTSU就可以满足这个需求，去找到一个最好的阈值。注意：他非常适用于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。因为cv.THRESH_OTSU方法会产生一个阈值，那么函数cv2.threshold的的第二个参数（设置阈值）就是0（None）了，并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU这里面第三个参数maxval参数表示与THRESH_BINARY和THRESH_BINARY_INV阈值类型一起使用设置的最大值。而我们使用的灰度图像最大则为255，所以设置为255即可THRESH_OTSU最适用于双波峰 THRESH_TRIANGLE最适用于单个波峰，最开始用于医学分割细胞等"""def local_threshold(image):                       #局部阈值gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)cv.imshow("local_threshold_binary", binary)
"""
函数原型为：adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dstsrc参数表示输入图像（8位单通道图像）。maxValue参数表示使用 THRESH_BINARY 和 THRESH_BINARY_INV 的最大值.adaptiveMethod参数表示自适应阈值算法，平均 （ADAPTIVE_THRESH_MEAN_C）或高斯（ADAPTIVE_THRESH_GAUSSIAN_C）。thresholdType参数表示阈值类型，必须为THRESH_BINARY或THRESH_BINARY_INV的阈值类型。blockSize参数表示块大小（奇数且大于1，比如3，5，7........ ）。C参数是常数，表示从平均值或加权平均值中减去的数。 通常情况下，这是正值，但也可能为零或负值。在使用平均和高斯两种算法情况下，通过计算每个像素周围blockSize x blockSize大小像素块的加权均值并减去常量C即可得到自适应阈值。如果使用平均的方法，则所有像素周围的权值相同；如果使用高斯的方法，则每个像素周围像素的权值则根据其到中心点的距离通过高斯方程得到。
"""def custom_threshold(image):        #自定义阈值gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)h, w = gray.shape[:2]m = np.reshape(gray, [1, w*h])  #降维mean = m.sum() / (w*h)    #求均值# print("mean : ", mean)ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)#利用均值进行图像二值化cv.imshow("custom_threshold_binary", binary)src = cv.imread("F:/images/text1.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
threshold_demo(src)
local_threshold(src)
custom_threshold(src)cv.waitKey(0)cv.destroyAllWindows()

运行结果：

3，超大图像二值化
对于超大图像，一般要先分块然后再局部二值化（方便显示和进一步后处理）：
源代码：

import cv2 as cv
import numpy as npdef big_image_binary(image):print(image.shape)#查看图像大小cw = 256          #定义块的大小ch = 256h, w = image.shape[:2]gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)for row in range(0, h, ch):for col in range(0, w, cw):roi = gray[row:row+ch, col:cw+col]#dst = cv.adaptiveThreshold(roi, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY ,127,20)噪声比较多时采用自适应方法比较好print(np.std(roi), np.mean(roi))dev = np.std(roi)#针对空白图像，不处理，可以提高效率或者去噪if dev < 15:gray[row:row + ch, col:cw + col] = 255else:ret, dst = cv.threshold(roi, 0, 255,  | cv.THRESH_OTSU)gray[row:row + ch, col:cw + col] = dstcv.imwrite("D:/vcprojects/result_binary.png", gray)src = cv.imread("F:/images/red_text.png")
#cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
#cv.imshow("input image", src)
big_image_binary(src)
cv.waitKey(0)cv.destroyAllWindows()

OpenCV+python：图像二值化相关推荐

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
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 ...
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 ...
python 图像二值化
自适应二值化,高斯加权二值化: image =cv2.imread(r'E:\data\barcode\test\1009_11\test\blur\509915979678918664.jpg', ...
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 ...
ostu阈值分割python实现_opencv python 图像二值化/简单阈值化/大津阈值法
1简单的阈值化 cv2.threshold第一个参数是源图像,它应该是灰度图像. 第二个参数是用于对像素值进行分类的阈值, 第三个参数是maxVal,它表示如果像素值大于(有时小于)阈值则要给出的值. ...
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 ...
python opencv二值化图像_python opencv，读取彩色图像，提取三通道，图像二值化，提取图像的边缘...
python opencv,读取彩色图像,提取三通道,图像二值化,提取图像的边缘 python opencv 1,读取图像 2,图像变矩阵 3,图像转灰度图像 4,彩色图像是3D数组 5,灰度图像是2 ...

OpenCV+python：图像二值化

OpenCV+python：图像二值化相关推荐

最新文章

热门文章