OpenCV图像阈值
目标
- 在本教程中,您将学习简单的阈值,自适应的阈值,Otsu的阈值等等。
- 您将学习以下功能:cv2.threshold, cv2.adaptiveThreshold等
简单阈值
在这里,事情是直截了当的。如果像素值大于阈值,则分配给它一个值(可以是白色的),否则它被分配给另一个值(可能是黑色)。所使用的功能是cv2.threshold。第一个参数是源图像,其中应该是灰度图像。第二个参数是阈值,用于对像素值进行分类。第三个参数是maxVal,它表示像素值大于(有时小于)阈值时要给出的值。OpenCV提供了不同类型的阈值,它由函数的第四个参数决定。不同的类型有:
- cv2.THRESH_BINARY
- cv2.THRESH_BINARY_INV
- cv2.THRESH_TRUNC
- cv2.THRESH_TOZERO
- cv2.THRESH_TOZERO_INV
文档清楚地解释了每种类型的含义。请看一下文件。
得到两个输出。第一个是复核稍后再解释。第二个输出是我们的阈值图像.
代码:
import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('gradient.png',0)
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]for i in xrange(6):plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')plt.title(titles[i])plt.xticks([]),plt.yticks([])plt.show()
注:为了绘制多幅图像,我们使用了plt.subplot()功能。
结果如下:
自适应阈值
在上一节中,我们使用了一个全局值作为阈值。但是在图像在不同的区域有不同的照明条件的情况下,它可能并不是很好。在这种情况下,我们采用自适应阈值。在此基础上,算法计算了图像的一个小区域的阈值。因此,对于同一幅图像的不同区域,我们得到了不同的阈值,对于光照不同的图像,我们得到了更好的结果。
它有三个“特殊”输入参数和一个输出参数。
自适应方法-它决定如何计算阈值。
- cv2.ADAPTIVE_THRESH_MEAN_C :阈值是邻域面积的平均值。
- cv2.ADAPTIVE_THRESH_GAUSSIAN_C:阈值是权值为高斯窗口的邻域值的加权和。
Block Size-它决定邻里地区的大小。
C-它只是一个常数,从计算的平均数或加权平均数中减去。
下面的代码比较了不同光照的图像的全局阈值和自适应阈值:
import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('dave.jpg',0)
img = cv2.medianBlur(img,5)ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\cv2.THRESH_BINARY,11,2)titles = ['Original Image', 'Global Thresholding (v = 127)','Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]for i in xrange(4):plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')plt.title(titles[i])plt.xticks([]),plt.yticks([])
plt.show()
结果:
Otsu的二值化
在第一部分中,我告诉过您有第二个参数retVal。当我们使用Otsu的“二值化”时,就会用到它。那是什么?
在全局阈值处理中,我们使用了一个任意的阈值,对吗?那么,我们怎么知道我们选择的值是好的还是坏的呢?答案是,试错法。但考虑一下bimodal image(简单地说,双峰图像是一种直方图有两个峰值的图像。)对于那个图像,我们可以在这些峰值中间取一个值作为阈值,对吗?这就是Otsu二值化所做的。因此,在简单的话,它自动计算一个阈值从图像直方图的双峰图像。(对于不是双峰的图像,二值化是不准确的。)
为此,我们使用cv2.threshold()函数,但是传递一个额外的标志,cv2.THRESH_OTSU。 对于阈值,只需通过零。然后该算法找到最优阈值并将您作为第二个输出返回,retVal 。如果不使用Otsu阈值,retVal与您使用的阈值相同。
查看下面的示例。输入图像是一种噪声图像。在第一种情况下,我应用全局阈值为127。在第二种情况下,我直接应用了Otsu的阈值。在第三种情况下,我用5x5高斯核对图像进行滤波以去除噪声,然后进行Otsu阈值处理。看看噪声过滤是如何改善结果的。
import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('noisy2.png',0)# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)# plot all the images and their histograms
images = [img, 0, th1,img, 0, th2,blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)','Original Noisy Image','Histogram',"Otsu's Thresholding",'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]for i in xrange(3):plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()
结果:
OpenCV图像阈值相关推荐
- opencv 图像阈值分割图像
最简单的图像分割的方法. 应用举例:从一副图像中利用阈值分割出我们需要的物体部分(当然这里的物体可以是一部分或者整体).这样的图像分割方法是基于图像中物体与背景之间的灰度差异,而且此分割属于像素级的分 ...
- python opencv图像阈值处理
######################################################### 学习函数 cv2.threshold, cv2.adaptiveThreshold等 ...
- OpenCV中的图像阈值处理算法
简 介: 本文讨论了如何通过图像阈值算法来对图像中特点对接进行隔离. 演示了几种不同的阈值分割(全局阈值分割)算法的结果.对于最简单的阈值算法,通过改变其中的阈值可以获得不同的分割效果. 关键词: 阈 ...
- OpenCV(十四)图像阈值
目录 一.基础理论 1.二进制阈值化 2.反二进制阈值化 3.截断阈值化 4.阈值化为0 5.反阈值化为0 函数 代码 效果 参考答案 一.基础理论 在二维数字图像中,其每个像素点对应了不同的像素值, ...
- 【opencv】(2) 图像处理:边界填充、图像融合、图像阈值、数值计算
主要内容有:边界填充 cv2.copyMakeBorder(),数值计算 cv2.add(),改变尺寸 cv2.resize(),图像融合 cv2.addWeighted(),图像阈值 cv2.thr ...
- c++ opencv编程实现暗通道图像去雾算法_OpenCV图像处理专栏十五 |一种基于亮度均衡的图像阈值分割技术...
前言 对于光照不均匀的图像,用通常的图像分割方法不能取得满意的效果.为了解决这个问题,论文<一种基于亮度均衡的图像阈值分割技术>提出了一种实用而简便的图像分割方法.该方法针对图像中不同亮度 ...
- Python+OpenCV图像处理(五)——图像阈值和二值化
系列文章 Python+OpenCV图像处理(一)--OpenCV框架与图像插值算法 Python+OpenCV图像处理(二)--几何变换 Python+OpenCV图像处理(三)--彩色空间互换 P ...
- OpenCV中的图像处理 —— 图像阈值+图像平滑+形态转换
OpenCV中的图像处理 -- 图像阈值+图像平滑+形态转换 目录 OpenCV中的图像处理 -- 图像阈值+图像平滑+形态转换 1. 图像阈值 1.1 简单阈值 1.2 自适应阈值 1.3 Otsu ...
- OpenCV图像处理(十二)---图像阈值化
如果两个热力学系统中的每一个都与第三个热力学系统处于热平衡(温度相同),则它们彼此也必定处于热平衡.这一结论称做"热力学第零定律".又称热平衡定律,是热力学的四条基本定律之一,是一 ...
最新文章
- 有了图分析,可解释的AI还远吗?
- 临时表,临时表什么时候删除
- 配置 L2 Population - 每天5分钟玩转 OpenStack(114)
- 服务器端执行javascript脚本
- 白话Elasticsearch66-针对集群重启时的shard恢复耗时过长问题定制的重要参数
- Silverlight4Beta之CompositeTransform
- HarmonyOS之AI能力·分词
- candence 16.6 win8.1 x64 破解
- cmw500综合测试仪使用_网络性能测试仪该怎么选
- android udp获取ip,安卓开发 局域网UDP获取服务器Ip地址
- X Lossless Decoder for mac(XLD音频无损解码器)
- freeswitch 会议创建命令
- 前端使用vue+ js-xlsl + elemen-ui实现导出Excel表格(绝对好使, 前端有问题直接关注我, 或者评论立刻给你回应, 专业解决)
- python查看ascii_Python获取ASCII字符
- linux nfs性能差,linux – 奇怪的nfs性能:1个线程比8个好,8个好于2个!
- CentOS 添加微软雅黑字体
- 光谱数据预处理方法之去除包络线——Matlab实现
- 小学生评语大全{六年级}
- [Boston Legal][S02E02]Allan Shore在Kelly Nolan被控杀夫一案中的结案陈词
- BZOJ 4833: [Lydsy1704月赛]最小公倍佩尔数(数论 + 最值反演)