《多传感器融合感知技术笔记》之 ——1.图像处理灰度化/二值化_Akaxi

Akaxi-1

已于 2023-09-28 22:15:01 修改

阅读量467

点赞数 8

分类专栏：多传感器融合感知技术学习文章标签：笔记图像处理计算机视觉 python opencv

于 2023-09-23 14:30:14 首次发布

本文链接：https://blog.csdn.net/Akaxi1/article/details/133204899

版权

多传感器融合感知技术学习专栏收录该内容

8 篇文章 4 订阅

订阅专栏

本文详细介绍了如何使用Python和OpenCV库进行图像的灰度化和二值化操作，包括使用库函数cv2.imread,cv2.cvtColor和cv2.threshold，以及自定义函数实现RGB转灰度和灰度转二值的过程。

摘要由CSDN通过智能技术生成

任务：利用python编写图像读取、显示图像，并基于opencv库函数和自定义函数实现图像灰度化、二值化。

图像定义为二维矩阵 A(u,v),其中，u,v 是像素坐标，a(i,j) 是图像在点（i,j）的处的强度或灰度的幅值。彩色图像由三个（如 RGB）二维灰度（或亮度）矩阵 A(x,y)组成。用红、绿、蓝三元组的二维矩阵来表示。通常，三元组的每个数值也是在 0 到 255 之间，0 表示相应的基色在该像素中没有，而 255 则代表相应的基色在该像素中取得最大值。

灰度图像是一个二维灰度（或亮度）矩阵 A(i,j),每个像素的亮度用一个数值来表示，通常数值范围在 0 到 255 之间，0 表示黑、255 表示白，其它值表示处于黑白之间的灰度。

二值图像只有白和黑两种颜色，称为二值图像，0 表示黑，1 表示白。

一、使用 OpenCV 库函数实现图像灰度化、二值化

①读取彩色图像：使用函数 cv2.imread(filepath,flags)读入重邮和可莉图片

filepath：要读入图片的完整路径

flags：读入图片的标志

cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略 alpha 通道

cv2.IMREAD_GRAYSCALE：读入灰度图片

cv2.IMREAD_UNCHANGED：读入完整图片，包括 alpha 通道

②灰度化图像：使用 cv2.cvtColor(input_image, flag)函数灰度化图像

>或者在 imread 读取图像时直接读取成灰度图像,用 cv2.IMREAD_GRAYSCALE

③二值化图像：使用 cv2.threshold(src, thresh, maxval, type)函数二值化图像

④编写 python 源码

Picture_trans.py

import cv2
img_path = "C:/Users/Akaxi/Desktop/Akaxi_python/Sensor_learning_Akaxi/Keli.jpg"  # 读取图片的路径
img_path2 = "C:/Users/Akaxi/Desktop/Akaxi_python/Sensor_learning_Akaxi/fig1.jpg"

# 使用opencv函数进行灰度化以及二值化

# imread 读取图像
img_cv = cv2.imread(img_path)
img_cv2 = cv2.imread(img_path2)
cv2.imshow("Color_keli", img_cv)
cv2.imshow("Color_CQUPT", img_cv2)

# 使用cvtColor函数灰度化图像
img_cv_gray = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)
img_cv_gray2 = cv2.cvtColor(img_cv2, cv2.COLOR_BGR2GRAY)
cv2.imshow("Gray_Keli", img_cv_gray)
cv2.imshow("Gray_CQUPT", img_cv_gray2)

# 或者在imread读取图象时直接读取成灰度图像
img_cv_st = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
img_cv_st2 = cv2.imread(img_path2, cv2.IMREAD_GRAYSCALE)
cv2.imshow("Gray_read-Keli", img_cv_st)
cv2.imshow("Gray_read-CQUPT", img_cv_st2)

# 使用threshold函数二值化图像
# ret, img_cv_dua = cv2.threshold(img_cv_gray, 127, 255, cv2.THRESH_BINARY)
# ret2, img_cv_dua2 = cv2.threshold(img_cv_gray2, 127, 255, cv2.THRESH_BINARY)
ret, img_cv_dua = cv2.threshold(img_cv_gray, 200, 255, cv2.THRESH_BINARY)
ret2, img_cv_dua2 = cv2.threshold(img_cv_gray2, 200, 255, cv2.THRESH_BINARY)
cv2.imshow("Dua_Keli", img_cv_dua)
cv2.imshow("Dua_CQUPT", img_cv_dua2)
cv2.waitKey()

二、使用自定义函数实现图像灰度化、二值化

①读取彩色图像：使用函数 plt.imread()读入一副图片

②编写彩图转灰图函数：def rgb_to_gray(image):

功能：将 RGB 图像转换为灰度图像

参数：image:输入的 RGB 图像，类型为 NumPy 数组

灰度化思路：

先获取图片的尺寸，利用 np.shape 获取图片数组的长度和宽度，再创建同样大小的灰度图片 numpy 数组，使用循环来求取每一个像素灰度值,采用不同的算法，这里我采用均值法与经验函数法，核心函数为：

    for i in range(height):
        for j in range(width):
            # gray_value = (image[i, j, 0] + image[i, j, 1] + image[i, j, 2]) / 3    # 均值法
            gray_value = 0.299 * image[i, j, 0] + 0.587 * image[i, j, 1] + 0.114 * image[i, j, 2]  # 加权平均法
            gray_img[i, j] = gray_value

还有其他方法，可以参考：

③实例化得灰度图：

自己编写的函数使用不同方法得出的灰度图像效果不同，所以方法的选择还是比较重要。

其中在使用均值法时，会报错 RuntimeWarning: overflow encountered in ubyte_scalars，像素加减运算溢出异常，可能是由于在进行像素的 R、G、B 三通道值时累加会超出 255，所以报错，但是除以三均值后任然可以正常生成灰图。

④编写灰图转二值图函数：def gray_to_binary(gray_image, threshold):

功能：将灰度图像转换为二值图像

参数：gray_image: 输入的灰度图像，类型为 NumPy 数组

threshold: 二值化阈值，取值范围[0, 255]

二值化思路：主要是将灰度值与阈值进行比较，0 或者 255 的二值化，核心代码为：

    for i in range(height):
        for j in range(width):
            if gray_image[i, j] > threshold:  # 如果像素的灰度值大于阈值，则为白色，否则为黑色
                binary_image[i, j] = 255

⑤实例化得二值图：

⑥编写 python 源码

Picture_trans_own.py

import numpy as np
import matplotlib.pyplot as plt


def rgb_to_gray(image):
    # 将RGB图像转换为灰度图像
    # image: 输入的RGB图像，类型为NumPy数组
    # 先获取图片的尺寸
    # shape获取图片数组的长度和维度
    height, width, channels = image.shape
    gray_img = np.zeros((height, width), dtype=np.uint8)   # 创建同样大小的灰度图片numpy数组
    # 使用循环来求取每一个像素灰度值,采用不同的算法
    for i in range(height):
        for j in range(width):
            # gray_value = (image[i, j, 0] + image[i, j, 1] + image[i, j, 2]) / 3    # 均值法
            gray_value = 0.299 * image[i, j, 0] + 0.587 * image[i, j, 1] + 0.114 * image[i, j, 2]  # 加权平均法
            gray_img[i, j] = gray_value

    return gray_img


def gray_to_binary(gray_image, threshold):
    # 将灰度图像转换为二值图像
    # gray_image: 输入的灰度图像，类型为NumPy数组
    # threshold: 二值化阈值，取值范围[0, 255]

    # 获取图像的宽度和高度
    height, width = gray_image.shape
    binary_image = np.zeros((height, width), dtype=np.uint8)  # 创建同样大小的灰度图片numpy数组
    # 使用循环来对每一个像素进行二值化处理
    for i in range(height):
        for j in range(width):
            if gray_image[i, j] > threshold:  # 如果像素的灰度值大于阈值，则为白色，否则为黑色
                binary_image[i, j] = 255

    return binary_image

# 【灰度化】
# 读取图像 matplotlib获取的图片会变成numpy的数组
image = plt.imread('C:/Users/Akaxi/Desktop/Akaxi_python/Sensor_learning_Akaxi/Keli.jpg')
image2 = plt.imread('C:/Users/Akaxi/Desktop/Akaxi_python/Sensor_learning_Akaxi/fig1.jpg')

# 显示彩色图
plt.imshow(image)
plt.axis('off')
plt.show()

plt.imshow(image2)
plt.axis('off')
plt.show()

# 将彩色图像转换为灰度图像
gray_img = rgb_to_gray(image)
gray_img2 = rgb_to_gray(image2)

# 显示灰度图
plt.imshow(gray_img, cmap='gray')
plt.axis('off')
plt.show()

plt.imshow(gray_img2, cmap='gray')
plt.axis('off')
plt.show()

# 【二值化】
# 加载灰度图
gray_image = gray_img
gray_image2 = gray_img2

# 将灰度图像转换为二值图
threshold = 127  # 二值化阈值
# threshold = 200  # 二值化阈值
binary_image = gray_to_binary(gray_image, threshold)
binary_image2 = gray_to_binary(gray_image2, threshold)

# 显示二值图
plt.imshow(binary_image, cmap='gray')
plt.axis('off')
plt.show()

plt.imshow(binary_image2, cmap='gray')
plt.axis('off')
plt.show()