python+openCV 自适应阈值分割

当图像各局部亮度不同时，全局阈值就很难将背景和目标分割。因此提出了自适应阈值，即在图像的不同区域采用不同的阈值进行分割。利用函数cv2.adaptiveThreshold()进行分割。

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

参数：

1. src:原图像

2. maxValue:当阈值类型（thresholdType）采用cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV时像素点被赋予的新值

3. adaptiveMethod:自适应阈值的计算方法，包括两种：

cv2.ADPTIVE_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。

4. thresholdType:阈值分割类型，共5种，同cv2.threshold()的阈值分割类型参数，详情见https://blog.csdn.net/weixin_42216109/article/details/89553383

5. blockSize:用来计算阈值的邻域大小

6. C:常数，adaptiveMethod方法计算出的数值减去这个常数C就为阈值

返回值：

1. 阈值分割后的图像

e.g.

通过如下代码对比全局阈值分割和自适应阈值分割的区别

import cv2
import matplotlib.pyplot as plt
#载入原图
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.26.6.jpg',0)
#全局阈值分割
retval,img_global=cv2.threshold(img_original,130,255,cv2.THRESH_BINARY)
#自适应阈值分割
img_ada_mean=cv2.adaptiveThreshold(img_original,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,15,3)
img_ada_gaussian=cv2.adaptiveThreshold(img_original,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,3)
imgs=[img_original,img_global,img_ada_mean,img_ada_gaussian]
titles=['Original Image','Global Thresholding(130)','Adaptive Mean','Adaptive Guassian',]
#显示图片
for i in range(4):plt.subplot(2,2,i+1)plt.imshow(imgs[i],'gray')plt.title(titles[i])plt.xticks([])plt.yticks([])
plt.show()

结果显示如下：

补充：从自适应阈值分割的结果来看，图像中存在较多的噪声，于是我们可以先通过函数cv2.GaussianBlur()进行噪声去除，详情参考https://blog.csdn.net/duwangthefirst/article/details/79971338

import cv2
import matplotlib.pyplot as plt
#载入原图
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.26.6.jpg',0)
#高斯滤波
img_blur=cv2.GaussianBlur(img_original,(5,5),5)
#自适应阈值分割
img_thresh=cv2.adaptiveThreshold(img_original,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,3)
img_thresh_blur=cv2.adaptiveThreshold(img_blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,3)
#显示图像
imgs=[img_thresh,img_thresh_blur]
titles=['img_thresh','img_thresh_blur']
for i in range(2):plt.subplot(1,2,i+1)plt.imshow(imgs[i],'gray')plt.title(titles[i])plt.xticks([])plt.yticks([])
plt.show()

结果如下所示，可以发现噪声数量明显减少。

python+openCV 自适应阈值分割相关推荐

Python+OpenCV：阈值分割
Python+OpenCV:阈值分割阈值分割 ############################################################################ ...
OpenCV自适应阈值分割函数：adaptiveThreshold()介绍
OpenCV自适应阈值分割函数:adaptiveThreshold()介绍 [注意] 1. adaptiveThreshold()函数的ThresholdTypes参数只能设置为"CV_TH ...
python+opencv实现阈值分割
系列文章目录文章目录系列文章目录前言一.全局阈值 1.效果图 2.源码二.滑动改变阈值(滑动条) 1.效果图 2.源码三.自适应阈值分割 1.效果图 2.源码 3.GaussianBlur ...
【千律】OpenCV基础：图像阈值分割 -- 自适应阈值分割 -- 代码实现
环境:Python3.8 和 OpenCV 内容:自适应阈值分割代码实现 import cv2 as cv import numpy as np import matplotlib.pyplot as ...
在OpenCV里实现自适应阈值分割
在图片处理过程中,针对铺前进行二值化等操作的时候,我们希望能够将图片相应区域内所有的信息提供保留.实验室环境下,相应的素材是模板化的,但是将实验室方法应用于现实环境中时,我们会发现光影环境对于效果的影 ...
otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
from:http://blog.csdn.net/onezeros/article/details/6136770 otsu算法选择使类间方差最大的灰度值为阈值,具有很好的效果算法具体描述见ots ...
图像二值化方法及适用场景分析（OTSU Trangle 自适应阈值分割）
图像二值化应用场景二值图像定义阈值获取的方法手动阈值法自动阈值法灰度均值法基于直方图均值法 OTSU Triangle 自适应均值阈值分割方法总结参考文献应用场景二值图像处理与分 ...
python canny优化_基于python的自适应阈值的Canny边缘检测
canny边缘检测的接口在opencv中给出,直接调用: ret = cv2.canny(img,t1,t2) 您可以获取边缘检测结果. 其中,t1,t2是需要手动设置的阈值. 许多文献研究了自动阈值 ...
OpenCV自适应阈值化函数adaptiveThreshold详解,并附实例源码
图像处理开发需求.图像处理接私活挣零花钱,请加微信/QQ 2487872782 图像处理开发资料.图像处理技术交流请加QQ群,群号 271891601 2016-6-14日:又发现一种阈值分割法,最大 ...

python+openCV 自适应阈值分割

python+openCV 自适应阈值分割相关推荐

最新文章

热门文章