Opencv——图像阈值处理，图像平滑，形态学操作，图像梯度

图像阈值

在Opencv中调用 threshold() 函数：

ret, dst = thresshould(src, thresh, maxval, typr)

四个参数分别是：

• src 输入的原图
• thresh 阈值 # 一般是127
• maxval 指定最大阈值 #一般为255
• type 指定二值化操作类型

二值化的类型有：

• THRESH_BINARY # 超过阈值取最大值，否则取0
• THRESH_BINARY_INV
• THRESH_TRUNC # 大于阈值设为阈值，否则不变
• THRESH_TOZERO # 大于阈值部分不变， 否则取0
• THRESH_TOZERO_INV

利用这张图片分别演示效果

var4 = cv2.imread('cat.jpg')
ret1, change1 = cv2.threshold(var4, 127, 255, cv2.THRESH_BINARY)  
ret2, change2 = cv2.threshold(var4, 127, 255, cv2.THRESH_BINARY_INV) 
ret3, change3 = cv2.threshold(var4, 127, 255, cv2.THRESH_TRUNC)   
ret4, change4 = cv2.threshold(var4, 127, 255, cv2.THRESH_TOZERO)  
ret5, change5 = cv2.threshold(var4, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'THRESH_TRUNC', 'THRESH_TOZERO', 'THRESH_TOZERO_INV']
images = [var4, change1, change2, change3, change4, change5]

for i in range(6):
    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

效果为：

图像平滑去噪

分别采用四种滤波器去噪点：

• blur（） # 均值滤波 对图像进行卷积操作
• boxFilter（） # 方框滤波 当其normalize（归一化）参数设为一时，效果与blur一样
• GaussianBlur # 高斯滤波
• medianBlur # 中值滤波

使用lena图像试验操作效果为：
其中 1 为blur ；2 为高斯滤波 ；3 为平均滤波

img1 = cv2.imread('lenaNoise.png')

blur1 = cv2.blur(img1, (3, 3)) 
blur2 = cv2.boxFilter(img1, -1, (3, 3), normalize=True)  # 方框滤波 （当normalize（归一）的参数给True时结果和均值滤波一样，为False时取255）
blur3 = cv2.GaussianBlur(img1, (3, 3), 1)  
blur4 = cv2.medianBlur(img1, 3) 

res = np.hstack((blur1, blur3, blur4))
print(res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

形态学操作

腐蚀操作
使用Opencv中的 erode() 函数可以实现图像的腐蚀操作；
erode（src， kernel， iterations）

• src 为原图
• kernel 为卷积核
• iterations 为腐蚀次数

腐蚀前：

进行腐蚀操作：

img = cv2.imread('dige.png')

kernel = np.ones((5, 5), np.uint8)    #
res = cv2.erode(img, kernel, iterations=1)  # 1 为腐蚀次数
tegether = np.hstack((img, res))

cv2.imshow('tegether', tegether)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀操作为腐蚀的逆运算
调用 dilate函数即可

开运算与闭运算

• 开运算 = 先腐蚀再膨胀
• 闭运算 = 先膨胀再腐蚀

调用 morphologyEx函数中的 MORPH_OPEN 和 MORPH_CLOSE 模块可实现；

顶帽和黑帽

• 顶帽：原始输入-开运算 # MORPH_TOPHAT
• 黑帽：闭运算-原始输入 # MORPH_BLAKHAT

tophat =cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel=np.ones((3, 3), np.uint8))
blackhat =cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel=np.ones((3, 3), np.uint8))
tegether = np.hstack((tophat, blackhat))

cv2.imshow('tegether', tegether)
cv2.waitKey(0)
cv2.destroyAllWindows()

左为TOPCAT运算，右为BLACKCAT运算

图像梯度

进行梯度计算时，我们常常读取图像的灰度图像。
介绍三种算子：

• Soble算子 调用时:

Sobel算子  参数 （src，ddepth(图像深度), dx（水平计算）, dy（竖直）, ksize（算子大小））

利用sobel算子的效果为：

sobel = cv2.Sobel(pie, cv2.CV_64F, 0, 1, ksize=3)  # cv2.CV_64F 设定算子计算相减后可为负值
tegether = np.hstack((pie, sobel))

cv_show(tegether, 'tegether')

只对 x 方向进行计算
此处建议使用sobel算子的时候不要同时对 x y 方向进行计算，而要两次计算后再将两次计算完成后的结果相加，效果明显要好很多

pie = cv2.imread('pie.png', cv2.IMREAD_GRAYSCALE)

sobelX = cv2.Sobel(pie, cv2.CV_64F, 1, 0, ksize=3)
X = cv2.convertScaleAbs(sobelX)

sobelY = cv2.Sobel(pie, cv2.CV_64F, 0, 1, ksize=3)
Y = cv2.convertScaleAbs(sobelY)

sobelXY = cv2.addWeighted(X, 0.5, Y, 0.5, 0)
res = np.hstack((pie, sobelXY))
cv_show(res, 'res')

此处分别对 x 和 y 计算后我们需要对结果取绝对值处理，因为未处理前为负数。
调用 cv2.convertScaleAbs 实现

效果为：

• Scharr算子

相对于sobel算子来说，scharr算子更加敏感，因此再进行梯度运算的时候往往能体现出更多细微的轮廓；

• laplacian算子 （一般不单独使用）
  

展示三种算子的处理区别

mf = cv2.imread('mf.jpg', cv2.IMREAD_GRAYSCALE)

sobelx = cv2.Sobel(mf, cv2.CV_64F, 1, 0, ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(mf, cv2.CV_64F, 0, 1, ksize=3)
sobely = cv2.convertScaleAbs(sobely)
mfxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

scharrx = cv2.Scharr(mf, cv2.CV_64F, 1, 0)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.Scharr(mf, cv2.CV_64F, 0, 1)
scharry = cv2.convertScaleAbs(scharry)
mfxy1 = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0)

lap = cv2.Laplacian(mf, cv2.CV_64F)
lap = cv2.convertScaleAbs(lap)

res = np.hstack((mfxy, mfxy1, lap))
cv_show(res, 'res')

从左往右依次为： sobel算子，Scharr算子，Laplacian算子
（博主以身试法）

————————————————————————————————————————————