OpenCV第三章——阈值

于 2024-08-27 10:15:29 发布
阅读量514 收藏 4
点赞数 20
文章标签： opencv 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_80166849/article/details/141570517
版权

1. 阈值处理函数

threshold()方法用于对对象进行阈值处理，该方法的语法如下：

retval, dst  = cv2.threshold(src, thresh, maxval, type)

参数说明：

src: 被处理的图像

thresh: 阈值， 在范围（125-150）效果最好

maxval: 阈值处理采用的最大值

type: 阈值处理类型

返回值说明：

retval: 处理时采用的阈值

dst: 阈值处理后的图像

                                                   阈值处理类型及其含义

  1. cv2.THRESH_BINARY：将像素值大于阈值的部分设为最大值（通常是255），其余部分设为0。这种方法常用于图像二值化。

  2. cv2.THRESH_BINARY_INV：将像素值小于阈值的部分设为最大值（通常是255），其余部分设为0。这是THRESH_BINARY的反向操作。

  3. cv2.THRESH_TRUNC：将像素值大于阈值的部分设为阈值，其余部分保持不变。用于将像素值限制在阈值以下。

  4. cv2.THRESH_TOZERO：将像素值小于阈值的部分设为0，其余部分保持不变。这有助于去除低于阈值的噪声。

  5. cv2.THRESH_TOZERO_INV：将像素值大于阈值的部分设为0，其余部分保持不变。这是THRESH_TOZERO的反向操作。

  6. cv2.THRESH_OTSU：使用大津法自动确定最佳阈值，用于图像二值化。通常与THRESH_BINARY或THRESH_BINARY_INV一起使用。

  7. cv2.THRESH_TRIANGLE：使用三角形法自动确定最佳阈值，这是一种自动阈值计算方法，适用于图像直方图具有明显双峰的情况。

2. 二值化处理

       二值化处理（二值化阈值处理）让图像仅保留两种像素值，处理时， 每一个像素值都会与阈值进行比较，将大于阈值的像素值变为最大值， 将小于阈值的像素值变为0，计算公式如下：

if  像素值 <=  阈值：像素值 = 0

if  像素值 > 阈值 : 像素值 = 最大值

        通常使用像素值255(纯白色)为最大值， 0（纯黑色）为最小值

                                       

2.1 处理黑白渐变图

下面的示例代码：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t1, dst1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
cv2.imshow("img", img)
cv2.imshow("dst1", dst1)
cv2.waitKey()
cv2.destrotAllWindows()

处理后的结果：

可以看到处理过后呈现出了非黑即白的效果。

2.2  不同阈值的处理效果

示例代码如下：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t1, dst1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 = cv2.threshold(img, 180, 255, cv2.THRESH_BINARY) # 二值化阈值处理
cv2.imshow("img", img)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()
cv2.destrotAllWindows()

 原图中像素值大于127的较多，大于180的较少，因而阈值设为127时，纯白色像素较多，阈值设为180时纯黑色像素较多。

2.3 不同最大值的处理效果

示例代码如下：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t1, dst1 = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 = cv2.threshold(img, 120, 150, cv2.THRESH_BINARY) # 二值化阈值处理
cv2.imshow("img", img)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()
cv2.destrotAllWindows()

最大阈值设为150时， 大于i120的像素值都被改为150， 呈现灰色。 

对于彩色图像也可以进行二值化阈值处理：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 1) # 读成彩色图像
t1, dst1 = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 = cv2.threshold(img, 120, 150, cv2.THRESH_BINARY) # 二值化阈值处理
cv2.imshow("img", img)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()
cv2.destrotAllWindows()

2.4 反二值化处理

反二值化阈值处理，处理结果与二值化处理结果相反， 将大于阈值的像素值变为0， 将小于或等于阈值的像素值变为最大值，原图中黑白部分交换，公式如下 ：

if 像素值 <= 阈值：像素值 = 最大值

if 像素值 > 阈值：像素值 = 0

 示例代码如下：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t1, dst1 = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 = cv2.threshold(img, 120, 150, cv2.THRESH_BINARY_INV) # 反二值化阈值处理
cv2.imshow("img", img)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()
cv2.destrotAllWindows()

3. 零处理 

将某个范围内的像素值变为0， 而范围之外的像素保留原值，包括低于阈值零处理和超出阈值零处理

3.1 低于阈值零处理

if 像素值 <= 阈值：像素值 = 0

if 像素值 <= 阈值：像素值 = 原值

 示例代码如下：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t, dst = cv2.threshold(img, 120, 255, cv2.THRESH_TOZERO) # 低于阈值零处理

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey()
cv2.destrotAllWindows()

 

3.2 超出阈值零处理

if 像素值 <= 阈值：像素值 = 原值

if 像素值 > 阈值： 像素值 = 0

示例代码如下：

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t, dst = cv2.threshold(img, 120, 255, cv2.THRESH_TOZERO_INV) # 超出阈值零处理

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey()
cv2.destrotAllWindows()

浅色区域彻底变黑，深色区域不受影响。 

 

import cv2

img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg", 0) # 读成灰度图像
t, dst = cv2.threshold(img, 120, 255, cv2.THRESH_TRUNC) # 截断处理

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey()
cv2.destrotAllWindows()

4. 截断处理

截断阈值处理， 将图像中大于阈值的像素值变为和阈值一样的值，小于或等于阈值的像素保持原值。公式如下：

if 像素 <= 阈值：像素值 = 原值

if 像素 > 阈值：像素 = 阈值

 

整体颜色变暗， 浅色区域变得更浅 

 

5 .自适应处理

OpenCV提供了adaptivateThreshold(src, macvalue, adaptivateMethod, thresholdType, blockSize, C)

参数说明：

src: 被处理的灰度图像

maxvalue: 阈值处理采用的最大值

adaptivateMethod: 自适应阈值的计算方法

thresholdType: 阈值处理类型（cv2.THRESH_BINARY或者cv2.THRESH_BINARY_INV）

blocksize: 一个正方形区域的大小

C：常量

返回值说明：

dst: 阈值处理后的图像

                                        自适应阈值的计算方法及其解释

cv2.ADAPTIVE_THRESH_MEAN_C ：

  • 对于每个像素，计算其邻域区域（通常是一个窗口）的平均值，并用这个平均值作为该像素的阈值。

 cv2.ADAPTIVE_THRESH_GAUSSIAN_C:

  • 对于每个像素，计算其邻域区域的加权平均值（权重根据高斯分布来决定），并用这个加权平均值作为该像素的阈值。

5.1 无法得到清晰有效的结果

示例代码如下：

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg") # 读取图像
image_Gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 转换为灰度图像
t1, dst1 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_BINARY_INV) # 反二值化阈值处理
t3, dst3 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_TOZERO) # 低于阈值零处理
t4, dst4 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_TOZERO_INV) # 超出阈值零处理
t5, dst5 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_TRUNC) # 截断处理

cv2.imshow("BINARY", dst1)
cv2.imshow("BINARY_INV", dst2)
cv2.imshow("TOZERO", dst3)
cv2.imshow("TOZERO_INV", dst4)
cv2.imshow("TRUNC", dst5)
cv2.waitKey() 
cv2.destroyAllWindows()

5.2 显示自适应阈值处理的效果

示例代码如下：

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg") # 读取图像
image_Gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 转换为灰度图像
# cv2.ADAPTIVE_THRESH_MEAN_C方法
athdMEAM = cv2.adaptiveThreshold\
    (image_Gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
# cv2.ADAPTIVE_THRESH_GAUSSIAN_C方法
athdGAUS = cv2.adaptiveThreshold\
    (image_Gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 5, 3)

cv2.imshow("MEAN_C", athdMEAM)
cv2.imshow("GAUSSIAN_C", athdGAUS)
cv2.waitKey() 
cv2.destroyAllWindows()

6. Otsu方法

Ostu方法语法结构如下：

retval, dst = cv2.thresholdZ(src ,thresh, maxval, type)

参数说明：

src: 被处理的灰度图像

thresh：阈值（需要设为0）

maxval: 阈值处理采用的最大值

type: 阈值处理类型，例如：cv2.THRESH_BINARY+cv2.THRESH_OTSU

返回值说明：

retval: you Ostu方法计算得到并使用的最合适阈值

dst:处理后的图像

 示例代码如下：

import cv2

image = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(3).jpg") # 读取图像
image_Gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 转换为灰度图像
t1, dst1 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
# 实现Otsu方法的阈值处理
t2, dst2 = cv2.threshold(image_Gray, 0, 255, cv2.THRESH_BINARY  + cv2.THRESH_OTSU)
cv2.putText(dst2, "best threshold: " + str(t2), (0, 30),
         cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 0), 2) # 在图像上绘制最合适的阈值
cv2.imshow("BINARY", dst1) 
cv2.imshow("OTSU", dst2) 
cv2.waitKey() 
cv2.destroyAllWindows()

7. 阈值处理实例

示例代码如下：

import cv2
img = cv2.imread(r"C:\Users\cgs\Desktop\pictures\5(4).jpg")  # 原始图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转为灰度图像
t1, dst1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 二值化阈值处理
t2, dst2 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)  # 反二值化阈值处理
cv2.imshow("img", img)  
cv2.imshow("gray", gray)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()  
cv2.destroyAllWindows()

二值化处理后， 汽车边缘变得更加鲜明， 更容易被识别。 

独木三绝
关注
  • 20
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python的opencv操作记录11——阈值分割
新兴IT民工的专栏
02-11 1236
其实在传统的图像处理领域，也有一些分割算法，这些算法在通用的分割上来说没有深度网络的普适性好，但是在某些特殊场景是一个更轻量级的解决方案。上面的几种方法里的思路里基本上都是一个阈值在应用与整个图像的分割，不管是自己手动设的，还是通过某种方法计算出来的。这个分割方法和上述的分割方法不一样，上述的分割方法的阈值是固定的，而这个方法的阈值时需要通过一些计算才能得到的，这种计算方式就是大津法。
【OpenCV入门】第四部分——阈值
PuddleRubbish的博客
08-31 531
在PhotoShop里头，有一个工具可以快速抠出一幅图像中的轮廓，这个工具就是阈值。OpenCV也提供了阈值，且与PS里头的阈值有相同的作用。在OpenCV中，阈值是一个临界值，类似一个”像素值的标准线“。所有像素值都会与这条“标准线”进行比较，最后得到三种结果：像素值比阈值大、像素值比阈值小和像素值等于阈值。程序会根据这些结果将所有像素进行分组，然后对某一组像素进行“加深”或者“变淡”的操作，使得一幅图像的轮廓更加鲜明，更容易被计算机和肉眼识别。
Opencv3笔记15——阈值化
绝尘
08-06 809
1 线性滤波 1.1 平滑处理 平滑处理(smoothing)也称模糊处理(bluring)，常用于减少图像上的噪点或者失真，降低图像分辨率 1.2 图像滤波与滤波器 目的： 抽出对象的特征作为图像识别的特征模式适应图像处理的要求 消除图像数字化混入的噪声 要求： 不能损坏图像的轮廓及边缘等重要的信息 图像清晰视觉效果好 平滑滤波的目的： 模糊消除噪声 空间域平滑...
OpenCV3学习笔记——阈值化操作解析
凝望，划过星空的博客
06-19 796
OpenCV3学习笔记——关于阈值化操作的解析 1.什么是阈值？ 在图像处理的时候，我们可能经常需要剔除一些高于或低于某一值的一些像素 而阈值就可以被看成是最简单的图像分割方法，我们可以通过设定阈值来分割出图像中我们需要的部分 那么是怎么做的呢？ 对于一副灰度图像，它的灰度值是在0（黑色）~255（白色）之间的，也就是说灰度图像在黑色与白色之间还有许多级的颜色（灰色）深度，像这样： 假设我们设定...
OpenCV图像处理——图像阈值
lzh的博客
11-14 440
图像阈值
OpenCV笔记之九——图像阈值化
东寻的博客
03-24 1037
九、图像阈值化 【本文中所有源代码均来自 Practical Python and OpenCV, 3rd Edition 的随书代码（略有修改）】 图像阈值化是对图像的二值化操作。通常，我们通过阈值化将一幅灰度图转化为一张二值图像，即图中的像素不是0(白色)就是255(黑色)。简单的阈值化处理是设置一个阈值p，并将灰度图中所有像素值小于p的像素点置为0，而大于p的像素点置为255。这样就能将一幅图像完全转化为只有两个值的图像。 通过图像阈值化，我们可以聚焦于图像中我们关注的物体或部分区域。尤其当该物体（区
OpenCV图像处理——图像阈值操作（五）
戚晨夕的博客
03-23 3249
OpenCV图像处理 文章目录OpenCV图像处理一、图像阈值二、自适应阈值 一、图像阈值 如果像素值大于阈值，则会被赋为一个值（可能为白色），否则会赋为另一个值（可能为黑色）。使用的函数是 cv.threshold。第一个参数是源图像，它应该是灰度图像。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）阈值时要给定的值。opencv 提供了不同类型的阈值，由函数的第四个参数决定。 函数原型：ret, dst = cv2.threshold(src, thre
OpenCV4（C++）—— 图像阈值化
qq_43199575的博客
10-08 441
图像阈值化在许多计算机视觉和图像处理任务中都是一个重要的预处理步骤。在边缘检测过程中，通过将图像转换为二值图像，可以突出图像中的边缘信息。通过选择适当的阈值，可以使边缘更加明显，以便于进一步的分析和提取。在文字识别任务中，图像阈值化可以用于将文本与背景分离。通过将图像转换为二值图像，可以增强文字的对比度，方便后续的文字检测、定位和识别。在图像分割中，通过将图像转换为二值图像，可以将感兴趣的目标与背景区域进行分离。阈值化可以将目标对象与背景进行明显的分离，从而方便后续的目标检测、跟踪或分析。
【OpenCV】OpenCV基础教程（5）—— 阈值分割
Quentin的博客
11-09 5212
5. 阈值分隔 5.1 全局阈值分隔 全局阈值分割指的是将灰度值大于 thresh（阈值）的像素设为白色，小于或者等于 thresh 的像素设为黑色；或者反过来，将大于 thresh 的像素设为黑色，小于或者等于 thresh 的像素设为白色，两者的区别只是呈现形式不同。 OpenCV提供的函数如下： double cv::threshold(cv::InputArray src, cv::OutputArray dst, double thresh, double maxval, int type)
Opencv2.4.9源码分析——HoughCircles.pdf
06-18
OpenCV 是一个强大的开源计算机视觉库，包含了众多图像处理和计算机视觉算法。在 OpenCV2.4.9 版本中，HoughCircles 函数是用于检测图像中圆形的工具，它基于一种改进的霍夫变换算法，称为 2-1 霍夫变换（21HT）。...
OpenCV————图像阈值
gagaki的博客
07-27 1993
阈值 就是将图像分割的界限。一幅图像包括目标物体（前景）、背景还有噪声，阈值法可将图像和背景分割开。有简单阈值，自适应阈值，Otsu’s 二值化等，学习到的函数有： cv2.threshold 简单阈值 cv2.medianBlur 中值滤波 cv2.adaptiveThreshold 自适应阈值 cv2.GaussianBlur 高斯滤波 导入需要的包 import cv2 import numpy as np import matplotlib.pyplot as plt 简单阈值 这种方法
Opencv2.4.9源码分析——Stitching（一）
热门推荐
赵春江的专栏
12-14 2万+
相机镜头所呈现出的景物要比人类的视觉系统所看到的景物要狭小得多，因此一幅图像不可能捕获到我们所看到的整个景物。全景图像拼接给出了这个问题的解决办法，它是把图像间重叠部分拿出来拼接起来，从而得到一幅更大的图像。这种算法也可以用于把一幅图像插入到另一幅图像中。 图1 图像拼接执行过程及方法 要想完成图像拼接，所要用到的算法较多，Opencv把这些算法用一张图呈现了处理，如图1所示。下面我们
Opencv2.4.9源码分析——Stitching（二）
赵春江的专栏
12-14 1万+
2、计算单应矩阵 2.1 原理 在得到了图像特征点以后，我们就可以根据这些特征点，实现图像匹配，即得到重叠区域。而要把多幅图像拼接成一幅图像，就需要以某幅图像为基准，把其他图像映射到该图像所在的平面。映射的关键所在就是根据重叠区域的特征点计算图像间的单应矩阵。 我们可以通过最近邻算法（K-NN，这里的K表示最近邻特征点的数量）得到与图像A中的某一特征点a最相似的其他任意一幅图像B的K个特征点
【OpenCV】基础知识
weixin_63135906的博客
08-22 242
这样就创建好了一个文件夹，然后像我这样一级一级向下分，细分文件夹。新建项目，路径不要出现中文。添加解释器，添加本地解释器。
java中的Opencv：Opencv简介与开发环境部署
qq_44849312的博客
08-26 795
OpenCV （ Open Source Computer Vision Library ）是一个广泛应用于计算机视觉和图像处理领域的开源库。它提供了丰富的图像处理算法和工具，能够处理图像和视频数据，实现诸如特征提取、目标检测、图像分割等功能。OpenCV 是由 Intel 公司于 1999 年开发的开源计算机视觉库，旨在提供一套丰富的图像处理和计算机视觉算法。
OpenCV几何图像变换（10）透视变换函数warpPerspective()的使用
jndingxin的专栏
08-23 1040
warpPerspective函数用于应用透视变换到图像上。透视变换是一种更为复杂的变换，它可以实现图像的倾斜和扭曲，通常用于模拟三维空间中的视角变化。透视变换需要一个3x3的变换矩阵，该矩阵可以由四对匹配的点（源图像中的四个点和目标图像中的四个点）计算得出。
YOLOv5调用海康工业相机实时检测
最新发布
JH_joker的博客
08-26 477
YOLOv5调用海康工业相机实时检测
基于x86 平台opencv的图像采集和seetaface6的人脸特征点功能
程小二的博客
08-22 222
本文档是针对x86 平台opencv的图像采集和seetaface6的人脸特征点功能，opencv通过摄像头采集视频图像，将采集的视频图像送给seetaface6的人脸特征点模块从而实现人脸特征点功能。
opencv2.4.9源码分析——stitching(一)
11-11
opencv是一个开源的计算机视觉库，opencv2.4.9是其中的一个版本。在opencv2.4.9中，有一个模块叫做stitching，用于图像拼接。 图像拼接是将多张图像按照一定的顺序和方式进行合并，形成一张更大视野覆盖范围的图像。拼接的过程需要解决图像间的重叠区域匹配、图像变换与叠加等问题。 在opencv2.4.9的stitching模块中，主要有以下几个重要的类： 1. Stitcher类：拼接器类，用于执行拼接的主要操作。它提供了一系列的方法，如设置拼接的模式、添加要拼接的图像等。 2. FeaturesFinder类：特征点检测类，用于在图像中寻找特征点。该类利用SIFT、SURF等算法来检测图像中的关键点，以便进行匹配。 3. FeaturesMatcher类：特征点匹配类，用于对图像中的特征点进行匹配。该类使用KNN算法进行特征点的匹配，并利用RANSAC算法进一步筛选特征点，剔除误匹配。 4. Estimator类：变换估计类，用于估计图像间的变换参数。该类可以通过特征点的对应关系，计算图像间的旋转矩阵、平移矩阵等变换参数。 5. Blender类：图像融合类，用于将拼接后的图像进行融合。该类可以进行多种融合方式，如线性融合、多频融合等。 通过以上的类和方法，opencv2.4.9的stitching模块能够完成图像拼接的过程。整个过程包括特征点检测、特征点匹配、变换参数估计和图像融合等步骤。 需要指出的是，本文只是对opencv2.4.9的stitching模块进行了初步的介绍，具体的源码分析需要深入研究。整个源码工程庞大，包含很多细节和算法，需要对计算机视觉和图像处理有较深入的理解才能进行分析和改进。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值