图像处理[二值化]

最新推荐文章于 2024-08-13 08:21:22 发布
最新推荐文章于 2024-08-13 08:21:22 发布
阅读量2.2k 收藏 21
点赞数 16
文章标签： python 人工智能 机器学习
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/CelestialPIllar/article/details/135084768
版权

 

图像二值化在图像处理中具有多种作用，包括但不限于以下几个方面：

  1. 分割图像：将图像分为目标和背景两部分，使得目标与背景的区分更加清晰，便于后续的图像分析和处理。

  2. 特征提取：二值化可以突出图像中的一些特征，如边缘、纹理等，有利于后续的特征提取和图像识别。

  3. 减少数据量：将图像转换为二值图像可以大大减少数据量，节省存储和传输成本。

  4. 图像增强：通过二值化可以突出感兴趣的目标，增强图像的对比度和特征，使得图像更加清晰和易于分析。

  5. 图像预处理：在一些图像处理任务中，如字符识别、图像分割等，二值化是一种常用的预处理方法，可以提高后续处理的准确性和效率。

总的来说，图像二值化的作用主要是对图像进行分割、特征提取和增强，以便于后续的图像分析和处理。

图像处理二值化介绍

下面是Python脚本，主要用于使用OpenCV库读取图像并进行简单的二值化处理，然后使用matplotlib库展示原始图像和处理后的图像。

# -*-coding:GBK -*-
# coding = utf-8
import cv2
import matplotlib.pyplot as plt
import matplotlib
import numpy as np
import math

具体功能如下：

  1. # -*-coding:GBK-*-：这是注释，用于指定文件的编码格式为GBK，但是由于后面有# coding = utf-8，因此实际上会使用UTF-8编码。

  2. 导入所需的库：

    • cv2：OpenCV库，用于图像处理。
    • matplotlib.pyplot和matplotlib：用于绘制图像。
    • numpy：用于处理图像数据。

  3. 读取图像：使用cv2.imread()函数读取图像文件，该函数会返回一个表示图像的多维数组。

  4. 灰度处理：使用cv2.cvtColor()函数将读取的彩色图像转换为灰度图像。

  5. 二值化处理：使用自定义的二值化方法对灰度图像进行二值化处理。

  6. 展示图像：使用matplotlib.pyplot.imshow()函数分别展示原始图像和处理后的图像。

需要注意的是，如果解释器中没有相应的文件脚本，需要使用pip命令下载。

目录

  1. 灰度值返图最大熵法
  2. 迭代法
  3. 自适应法
  4. OTSU阈值处理法

1. 灰度值返图最大熵法

灰度值返图最大熵法是一种基于最大熵原理的二值化方法。它的原理是通过最大化图像的熵来确定最佳的阈值，从而将图像二值化。其步骤如下：

1.1 确定灰度直方图

首先，计算图像的灰度直方图，即统计每个灰度级别的像素点个数。

1.2 计算图像熵

根据灰度直方图，计算图像的熵。图像的熵可以用以下公式表示： [ H = -\sum_{i=0}^{L-1} p_i \log(p_i) ] 其中，( p_i ) 是第i个灰度级别的像素点数占总像素点数的比例，L是灰度级别的数量。

1.3 寻找最大熵

通过遍历所有可能的阈值，计算每个阈值对应的图像熵，找到使图像熵最大的阈值作为最佳的二值化阈值。

def threshEntropy(image):
   rows, cols = image.shape
   #求灰度直方图
   grayHist = caleGrayHist(image)
   #归一化灰度直方图，即概率直方图
   normGrayHist = grayHist/float(rows*cols)
    
   #第一步：计算累加直方图，也成为零阶累矩阵
   zeroCumuMoment = np.zeros([256], np.float32)
   for k in range(256):
       if k == 0 :
           zeroCumuMoment[k] = normGrayHist[k]
       else:
           zeroCumuMoment[k] = zeroCumuMoment[k-1] + normGrayHist[k]
   #第二步：计算各个灰度级的熵
   entropy = np.zeros([256], np.float32)
   for k in range(256):
       if k == 0 :
           if normGrayHist[k] == 0 :     
               entropy[k] = 0
           else:
               entropy[k] = - normGrayHist[k] * math.log10(normGrayHist[k])
       else:
           if normGrayHist[k] == 0 :
               entropy[k] = entropy[k-1]
           else:
               entropy[k] = entropy[k-1] - normGrayHist[k] * math.log10(normGrayHist[k])
   #第三步：找阈值
   fT = np.zeros([256], np.float32)
   ft1, ft2 = 0.0, 0.0
   totalEntropy = entropy[255]
   for k in range(255):
       #找最大值
       maxFront = np.max(normGrayHist[0:k+1])
       maxBack = np.max(normGrayHist[k+1:256])
       if maxFront==0 or zeroCumuMoment[k]==0 or maxFront==1 or zeroCumuMoment[k]==1 or totalEntropy==0 :
           ft1 = 0
       else:
           ft1 = entropy[k]/totalEntropy*(math.log10(zeroCumuMoment[k])/math.log10(maxFront))
       if maxBack==0 or 1-zeroCumuMoment[k]==0 or maxBack==1 or 1-zeroCumuMoment[k]==1 :
           ft2 = 0
       else:
           if totalEntropy == 0 :
               ft2 = (math.log10(1-zeroCumuMoment[k])/math.log10(maxBack))
           else:
               ft2 = (1-entropy[k]/totalEntropy)*(math.log10(1-zeroCumuMoment[k])/math.log10(maxBack))
       fT[k] = ft1 + ft2
    
   #找到最大值索引
   threshLoc = np.where(fT==np.max(fT))
   thresh = threshLoc[0][0]
   #阈值处理
   threshold = np.copy(image)
   threshold[threshold > thresh] = 255
   threshold[threshold <= thresh] = 0
    
   return (thresh, threshold)
    
img = cv2.imread('median.jpg', cv2.IMREAD_GRAYSCALE)
the, dst4 = threshEntropy(img)
the1 = 0
maxval = 255 
the1, dst1 = cv2.threshold(img, the1, maxval, cv2.THRESH_TRIANGLE + cv2.THRESH_BINARY)
print('The thresh is :', the)
print('The thresh1 is :', the1)
cv2.imshow("image", img)
cv2.imshow('thresh_out', dst4)
cv2.imshow('thresh_out1', dst1)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('最大熵.jpg',dst1)

2. 迭代法

迭代法是一种简单直观的二值化方法。其步骤如下：

2.1 初始化阈值

首先，初始化一个阈值T。

2.2 计算两个类的平均灰度

根据阈值T，将图像分为两个类，分别计算两个类的平均灰度值。

2.3 更新阈值

将两个类的平均灰度值的平均值作为新的阈值T，重复步骤2.2，直到阈值不再变化为止。

def show(img):
   if img.ndim == 2:
       plt.imshow(img, cmap='gray', vmin=0, vmax=255)
   else:
       img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
       plt.imshow(img)
   plt.show()

img = cv2.imread('median.jpg', 0)

T = img.mean()

while True:
   t0 = img[img < T].mean()
   t1 = img[img >= T].mean()
   t  = (t0 + t1) / 2
   if abs(T - t) < 1:
       break
   T = t
T = int(T)

print(f"Best threshold = {T}")
th, img_bin = cv2.threshold(img, T, 255, 0)
cv2.imshow('thresh_out1', img_bin)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('迭代.jpg',img_bin)

3. 自适应法

自适应法是一种根据局部像素灰度分布自适应调整阈值的二值化方法。其步骤如下：

3.1 确定局部窗口大小

首先，确定一个局部窗口的大小。

3.2 计算局部阈值

对于图像中的每个像素点，以其为中心取局部窗口，计算局部窗口内的灰度均值作为该像素点的阈值。

3.3 二值化

根据计算得到的局部阈值，对图像进行二值化处理。

img = cv2.imread('median.jpg', cv2.IMREAD_GRAYSCALE)
dst = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 43, 0.15)
cv2.imshow("image", img)
cv2.imshow('thresh_out', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('自适应.jpg',dst)

4. OTSU阈值处理

OTSU阈值处理法是一种基于类间方差最大化的二值化方法。其步骤如下：

4.1 计算类间方差

遍历所有可能的阈值，计算每个阈值对应的类间方差，找到使类间方差最大的阈值作为最佳的二值化阈值。

4.2 二值化

根据最佳的二值化阈值，对图像进行二值化处理。

以上就是对图像处理二值化的介绍，包括灰度值返图最大熵法、迭代法、自适应法、OTSU阈值处理法的详细说明和公式。希望能帮助你更好地理解图像二值化的原理和方法。

src = cv2.imread('image_bilater.jpg', cv2.IMREAD_GRAYSCALE)
 
triThe = 0
maxval = 255
triThe, dst_tri2 = cv2.threshold(src, triThe, maxval, cv2.THRESH_OTSU + cv2.THRESH_BINARY)
triThe1, dst_tri1 = cv2.threshold(src, triThe, maxval, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)
print (triThe)
print (triThe1)
cv2.imshow("image", src)
cv2.imshow('thresh_out', dst_tri2)
cv2.imshow('thresh_out1', dst_tri1)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('image_otsu.jpg',dst_tri2)

CeletialPeater
关注
图像基本变换---图像二值化(包含OSTU/迭代法/统计法/双峰法/P分位法/最大熵法)
bravebean的博客
05-11 2万+
本文详细介绍了图像基本变换---图像二值化(包含OSTU/迭代法/统计法/双峰法/P分位法/最大熵法)的相关知识，并 给出了完整程序DEMO的下载链接，跟大家分享一下，希望大家喜欢！
图像的二值化
Yuippe的专栏
06-25 1453
1、CV_THRESH_BINARY                   即大于阈值就设置成M，反之为0； 2、CV_THRESH_BINARY_INV           是上面的相反； 3、CV_THRESH_TRUNC                   大于阈值就设置成M，反之保持不变; 4、CV_THRESH_TOZERO_INV        大于阈值就设置成0，反之保持不变;
图像二值化方法介绍
最新发布
changjian198384的博客
08-13 792
本文介绍超过十种以上的基于全局阈值的图像二值化方法，其中最大值为255表示白色， 0 表示黑色，H表示图像直方图。该方法假设直方图是一个双峰模式的直方图，对直方图使用平滑滤波迭代多次，知道只剩下两个最大的峰J与K则阈值为T=(J+K)/2, 如果图像形成直方图只会有一个单峰或者有大片平坦区域的时候，该方法不太适合。Otsu主要是图像直方图进行阈值分类，从0~255之间，然后求它们的最小内方差对应直方图灰度索引值作为阈值实现图像二值化，OpenCV中已经实现，而且是OpenCV2.x全局阈值二值化方法。
图像二值化
L_30629685的博客
04-15 2108
顾名思义图像中只有两种颜色的信息，通常是黑色和白色。是将普通图像二值化后得到的图像 图像二值化的作用是为了方便提取图像中的信息。二值图像在进行计算机识别时可以增加识别效率
图像二值化(黑白图)
热门推荐
yanick技术博客
02-09 1万+
 通过对灰度图像二值化处理,能够凸现出感兴趣目标的轮廓.灰度图像的二值化处理就是讲图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要
基于Labview的实时采集图像并进行自适应二值化 程序
04-25
基于Labview的实时采集图像并进行自适应二值化程序，直接调用电脑的摄像头实时采集图像，进行灰度处理得到灰度图，再对灰度图进行自适应二值化处理，有5种常用的算法可供选择来自动设置图像的二值化阀值。...
STM32F407+ov2640图像处理,图像经过二值化处理,通过迭代阀值,
08-05
在图像处理中，“二值化”是一种重要的预处理技术。二值化是指将图像中的像素点的灰度值转换为0或1（或者黑白两种颜色），从而将图像转化为黑白二值图像。这种方法可以简化图像结构，减少后续处理的复杂性，提高处理...
C# 图像二值化，C#完全图像处理算法
01-04
C# 图像二值化，C#完全图像处理算法，在工业领域，航空航天，汽车零配件领域，本文档是有关C# 数字图像二值化，有多种模式，有简单有复杂的。值得收藏。C# 图像二值化，C#完全图像处理算法，都是合适的开发模式
图像二值化.rar
07-23
13中图像二值化算法的实现源码，有效果对比 用于靶标、关键识别物的提取。 开发环境：vs2012 开发语言：c#
图像二值化处理
10-18
可进行图像二值化处理，并自行设定阈值的matlab程序。。。
二值化图像特征及其应用
03-30
一篇讲二值化特征的论文，详细介绍的是半监督哈希算法。
【OPENCV】图像的预处理（灰度图、二值化、字符矫正（旋转））
12-17
主要是图像旋转的算法实现，工程完整，代码详细，并且有相应的博客，可查看我的博客就能看到设计思路
基于LabVIEW的图像二值化程序
05-08
用LabVIEW制作的图像二值化程序图像二值化 虽然二值图像含有的信息比较少，但是它有一系列优点，比如图像比较简明易懂，成本很低以及处理过程中运算速度快，使得二值图像的使用非常广泛，主要是因为二值图像简单、...
FPGA图像处理二值化
08-25
FPGA图像处理二值化是指使用FPGA芯片对图像进行处理，将图像转化为二值图像。二值图像是指每个像素只有两种可能的取值或灰度等级状态，通常用黑白、B&W、单色图像表示。在二值化过程中，需要将图像的灰度值与预设的阈值进行比较，比较结果以0和1的形式存入monoc中。如果灰度值大于阈值，像素点赋值为1，否则赋值为0。 以下是一个FPGA的二值化处理的源码示例： ```verilog module binarization( input clk, // 时钟信号 input rst_n, // 复位信号 input ycbcr_vsync, // 输入YCbCr图像的垂直同步信号 input ycbcr_hsync, // 输入YCbCr图像的水平同步信号 input [7:0 luminance, // 输入图像的亮度值 output post_vsync, // 输出二值化后的垂直同步信号 output post_hsync, // 输出二值化后的水平同步信号 output post_de, // 输出二值化后的数据使能信号 output reg monoc // 输出二值化后的像素值 ); // reg定义 reg ycbcr_vsync_d; reg ycbcr_hsync_d; reg ycbcr_de_d; // 同步时钟信号 assign post_vsync = ycbcr_vsync_d; assign post_hsync = ycbcr_hsync_d; assign post_de = ycbcr_de_d; // 二值化处理 always @(posedge clk or negedge rst_n) begin if(!rst_n) monoc <= 1'b0; else if(luminance > 8'd64) // 灰度阈值 monoc <= 1'b1; // 低于阈值时赋1 else monoc <= 1'b0; // 高于阈值时赋0 end // 延时1拍以同步时钟信号 always @(posedge clk or negedge rst_n) begin if(!rst_n) begin ycbcr_vsync_d <= 1'd0; ycbcr_hsync_d <= 1'd0; ycbcr_de_d <= 1'd0; end else begin ycbcr_vsync_d <= ycbcr_vsync; ycbcr_hsync_d <= ycbcr_hsync; ycbcr_de_d <= ycbcr_de; end end endmodule ``` 以上是一个简单的二值化处理的FPGA图像处理代码，它通过比较输入图像的亮度值与预设的阈值来决定输出像素值是1还是0，并保持同步时钟信号不变，实现二值化处理。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [FPGA丨图像二值化](https://blog.csdn.net/qq_39507748/article/details/115293728)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [FPGA|数字图像处理实现口罩识别——二值化](https://blog.csdn.net/mintshoot_/article/details/127387021)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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