OpenCv之图像二值化（笔记12）

最新推荐文章于 2024-01-08 10:48:04 发布
最新推荐文章于 2024-01-08 10:48:04 发布
阅读量703 收藏 3
点赞数
分类专栏： 【OpenCV】
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/chehec2010/article/details/116902547
版权
本文详细介绍了图像处理中的二值化技术，包括阈值化及其五种不同模式，并通过OpenCV库展示了具体实现。同时，探讨了全局阈值与自适应阈值的区别，自适应阈值能够应对图像亮度不均匀的问题。最后，通过实例解决了将图片背景去除的问题，以及如何利用Otsu's Method和Adaptive Thresholding选择最佳阈值。
摘要由CSDN通过智能技术生成 
# 图像处理中，Thresholding中文翻译过来叫二值化或者阈值化。二值化就是把图片转换成只有white赫尔black这俩种颜色。通过Thresholding，可以让图片中感兴趣
# 的颜色编程主角--white,其余的颜色全部都隐藏--black。另外，二值化后的图片也便于计算机进行分析，因为边缘轮廓十分清晰，所以计算机可以轻松找到边界线。
# 然而，再找边界这方面，Thresholding并不是特别好的算法，有些时候遇到某些特殊图片效果也不太好。

# cv2.THRESH_BINARY（超过阈值的为1，没有的为0）
# cv2.THRESH_BINARY_INV（相反，小于阈值的为1，大于阈值的为0）
# cv2.THRESH_TRUNC（大于阈值的为阈值，小于阈值的不变）
# cv2.THRESH_TOZERO（大于阈值的设置为0，其他的不变）
# cv2.THRESH_TOZERO_INV（小于阈值的设置为0，其他不变）

import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):
    plt.imshow(image)
    plt.axis('off')
    plt.show()

def imread(image):
    image=cv2.imread(image)
    #把图像的BGR转换成RGB
    image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    return image
image=imread('im.jpg')



#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()



ret1,thresh1=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret2,thresh2=cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret3,thresh3=cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret4,thresh4=cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret5,thresh5=cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)


titles=['original','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images=[gray,thresh1,thresh2,thresh3,thresh4,thresh5]
plt.figure(figsize=(15,5))
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.show()

效果展示：

#如何把图片的背景去掉，只留下图片（相当于做个遮挡）
show(cv2.bitwise_and(image,image,mask=thresh1))

阈值的选择方法：

第一种方法：
#Otsu‘s Method
#自动选择阈值
import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):
    plt.imshow(image)
    plt.axis('off')
    plt.show()

def imread(image):
    image=cv2.imread(image)
    #把图像的BGR转换成RGB
    image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    return image
image=imread('im.jpg')



#Otsu‘s Method
#自动选择阈值

ret6,thresh6=cv2.threshold(gray,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)
ret7,thresh7=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)

plt.imshow(thresh7,'gray')
plt.axis('off')
plt.show()

效果展示：

 

第二种方法：

# #Adaptive Thresholding自适应阈值
# 在前面的部分我们使用的是全局阈值，整幅图像采用同一个数值作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度
# 时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算在其对应的阈值。因此再同一幅图像上的不同区域采用的是不同的阈值，
# 从而使我们能在亮度不同的情况下得到更好的结果。
#
# Adaptive Method指定阈值的计算方法。
# cv2.ADPTIVE_THRESH_MEAN_C：阈值去相邻区域的平均值（平均值阈值）
# cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。（高斯阈值）
# Block Size 邻域大小（用来计算阈值的区域大小）。
# C这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数
import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):
    plt.imshow(image)
    plt.axis('off')
    plt.show()

def imread(image):
    image=cv2.imread(image)
    #把图像的BGR转换成RGB
    image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    return image
image=imread('im.jpg')



#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()


# #Adaptive Thresholding自适应阈值
# 在前面的部分我们使用的是全局阈值，整幅图像采用同一个数值作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度
# 时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算在其对应的阈值。因此再同一幅图像上的不同区域采用的是不同的阈值，
# 从而使我们能在亮度不同的情况下得到更好的结果。
#
# Adaptive Method指定阈值的计算方法。
# cv2.ADPTIVE_THRESH_MEAN_C：阈值去相邻区域的平均值（平均值阈值）
# cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。（高斯阈值）
# Block Size 邻域大小（用来计算阈值的区域大小）。
# C这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数

#中值滤波
image=cv2.medianBlur(image,5)
#普通二值化
ret,th1=cv2.threshold(image,127,255,cv2.THRESH_BINARY)
#平均值阈值
th2=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
#高斯阈值
th3=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3)
titles=['original','Global Thresholding','Adaptive Mean Thresholding','Adaptive Gaussian Thresholding']
images=[image,th1,th2,th3]
plt.figure(figsize=(10,5))
for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(images[i],"gray")
    plt.axis('off')
    plt.title(titles[i])
plt.show()

出现了问题：

F:\开发工具\pythonProject\tools\venv\Scripts\python.exe F:/开发工具/pythonProject/tools/opencv/open18.py
Traceback (most recent call last):
  File "F:\开发工具\pythonProject\tools\opencv\open18.py", line 79, in <module>
    th2=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
cv2.error: OpenCV(4.5.2) C:\Users\runneradmin\AppData\Local\Temp\pip-req-build-m8us58q4\opencv\modules\imgproc\src\thresh.cpp:1676: error: (-215:Assertion failed) src.type() == CV_8UC1 in function 'cv::adaptiveThreshold'


Process finished with exit code 1

解决办法：

import numpy as np
import matplotlib.pyplot as plt
import cv2
#图像二值化
def show(image):
    plt.imshow(image)
    plt.axis('off')
    plt.show()

def imread(image):
    image=cv2.imread(image)
    #把图像的BGR转换成RGB
    image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
    return image
image=imread('im.jpg')



#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()


# #Adaptive Thresholding自适应阈值
# 在前面的部分我们使用的是全局阈值，整幅图像采用同一个数值作为阈值。当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度
# 时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算在其对应的阈值。因此再同一幅图像上的不同区域采用的是不同的阈值，
# 从而使我们能在亮度不同的情况下得到更好的结果。
#
# Adaptive Method指定阈值的计算方法。
# cv2.ADPTIVE_THRESH_MEAN_C：阈值去相邻区域的平均值（平均值阈值）
# cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。（高斯阈值）
# Block Size 邻域大小（用来计算阈值的区域大小）。
# C这就是一个常数，阈值就等于平均值或者加权平均值减去这个常数

#中值滤波
image=cv2.medianBlur(gray,5)
#普通二值化
ret,th1=cv2.threshold(image,127,255,cv2.THRESH_BINARY)
#平均值阈值
th2=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
#高斯阈值
th3=cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3)
titles=['original','Global Thresholding','Adaptive Mean Thresholding','Adaptive Gaussian Thresholding']
images=[image,th1,th2,th3]
plt.figure(figsize=(10,5))
for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(images[i],"gray")
    plt.axis('off')
    plt.title(titles[i])
plt.show()

把这个变换一下：

image=imread('im.jpg')



#灰度图的效果显示图片
gray=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
# plt.show()



#中值滤波
image=cv2.medianBlur(gray,5)#这让这里读入灰度图，不要原始图片，问题解决掉了
#普通二值化
ret,th1=cv2.threshold(image,127,255,cv2.THRESH_BINARY)

效果展示：

 

月疯
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
OpenCv中图像二值化（学习笔记）
Xx_Studying的博客
12-30 1887
threshold()函数原型 double cv::threshold( InputArray src, OutputArray dst, double thresh, double maxval, int type ) 其中，src:待二值化的图像，图像只能是CV_8U和 CV_32F 两种数据类型。对于图像通道数目的要求与选择的二值化方法相关。 dst：二值化后的图像，与输入图像具有相同的尺寸、数据类型和通道数。 thresh：二值化的阈值 ma
二值图像轮廓c语言,Opencv学习笔记（九）图像的二值化以及轮廓检测
weixin_31297157的博客
05-23 1252
图像的二值化图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。下面我们来介绍两种二值化的方法1.threshold首先，我们先来学习一个新函数——threshold(中文翻译为临界值,实际上也就是阈值函数)函数原型doublethreshold(I...
实现灰度图、二值图、rgb之间的转化
12-03
数字图像处理的基本操作：将rgb图像转为灰度、二值、索引等；实现图像的放大、缩小；明确灰度值的意义，对其进行操作和计算；等。
python cv2 numpy 四（二值化图像）
最新发布
u010369432的博客
01-08 1356
在前面的部分我们使用的是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。
转载：cv2的图像二值化处理
weixin_41529093的博客
06-15 934
仅作为记录，大佬请跳过。 #二值化处理 ret,im_fixed=cv2.threshold(img,100,255,cv2.THRESH_BINARY) plt.figure() plt.imshow(im_fixed,cmap='gray') 感谢大佬博主文章：传送门
opencv 对RGB图像直接二值化
weixin_30413739的博客
10-24 667
1 #include <opencv2/opencv.hpp> 2 #include <iostream> 3 using namespace cv; 4 using namespace std; 5 6 int main() 7 { 8 9 const char* inputImage = "33.jpg"; 10 ...
计算机视觉基础：自适应阈值分割（Computer Vision Fundamentals: Adaptive Threshold Segmentation）
newxuyangcao
03-24 4058
阈值分割方法虽然简单，但是如果场景简单，还是可以尝试使用的，因为其消耗的时间较少。同时，阈值分割也可以作为一个baseline来验证提出的新算法是否有效。本文主要介绍了OpenCV中介绍的两种自适应阈值分割算法，在实际工程中较常使用。
【opencv学习笔记 16图像二值化】代码详细注释
12-21
在OpenCV中，图像二值化是一种将图像转化为只有黑白两色（通常0代表黑色，255代表白色）的处理方法，它简化了图像，便于后续的分析和处理。这个过程通过设置阈值来实现，低于阈值的像素被设为黑色，高于阈值的像素则...
《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
11-07
以下是一个简单的Python代码示例，展示如何使用OpenCV进行图像灰度化和二值化： ```python import cv2 import numpy as np # 读取彩色图像 image = cv2.imread('input.jpg') # 灰度化 gray_image = cv2.cvtColor...
OpenCV python（四）图像预处理：二值化 && 滤波操作
xztli的博客
08-06 7603
本篇文章的主要内容为二值化和滤波操作的介绍和使用方法，包括一些滤波方法选择的个人见解。
自适应阈值化
leonardohaig的博客
09-08 8545
自适应阈值化 微信公众号：幼儿园的学霸 目录 文章目录自适应阈值化目录背景介绍及原理原理权重选择说明自定义实现结果对比参考资料 背景介绍及原理 原理 图像阈值化的一般目的是从灰度图像中分离出目标区域和背景区域，然而仅仅通过设定全局固定阈值(对图像中的每个点其二值化的阈值都是相同的)的方法很难达到理想的分割效果。那么就需要一种方法来应对这样的情况。 这种办法就是自适应阈值法(adaptiveThreshold)，它的思想不是计算图像的全局阈值，而是根据图像不同区域亮度分布，计算其局部阈值，对于图像不同区域
cv2.cvtColor(image,cv2.COLOR_RGB2BGR) opencv颜色空间的转换
qq_40107571的博客
10-15 4774
opencv颜色空间的转换
使用 torch.squeeze()修改图片维度、使用cv2.cvtColor(image, cv2.COLOR_BGR2RGB)将灰度图片都为彩色图片
zy的博客
10-31 1575
使用 torch.squeeze()修改图片维度、使用cv2.cvtColor(image, cv2.COLOR_BGR2RGB)将灰度图片都为彩色图片
使用 OpenCV 进行图像处理 - 带有实际示例
深度学习与计算机视觉
06-25 848
介绍OpenCV – 开源计算机视觉。它是计算机视觉和图像处理任务中使用最广泛的工具之一。它被用于各种应用，如面部检测、视频捕捉、跟踪移动物体、对象公开。如今应用在 Covid 中，如口罩...
python3 opencv 图像二值化笔记（cv2.threshold）
laoyezha的博客
05-30 1915
刚接触opencv，需要用到图像二值化，发现opencv提供的二值化算法有很多，网上借鉴了很多大神的帖子，自己做了一些总结归纳，作为笔记先记录一下。 opencv二值化相关函数有两个，先记录一下threshold的使用，另一个为adaptiveThreshold，会在下个帖子做记录 cv2.threshold(src, thresh, maxval, type, dst=None) 研究了一下参数， src：需要进行二值化的一张灰度图像 thresh：手动指定的灰度值（0~255）（用来比较的
OpenCV图像处理----图像的二值化
热门推荐
bjsyc123456的博客
05-15 2万+
图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。 二值化的原理 import cv2 img = cv2.imread('img/lena.jpg') # 转为灰度图 new_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) height, width = new_img.shape[0:2] # 设置阈值 thresh = 60 # 遍历每一个像素点 for row
Python+OpenCV图像处理（十）—— 图像二值化
weixin_33898876的博客
06-03 1574
简介：图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。 一、普通图像二值化 代码如下： import cv2 as cv import numpy as np #全局阈值 def threshold_demo(image): gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) ...
Python+OpenCV之图像阈值（二）
清風明月_xf 的博客
08-08 1266
cv2.threshold()图像阈值处理
【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理（cv2.threshold）
youcans的博客
11-21 1万+
OpenCV 中彩色图像使用 BGR 格式。彩色图像进行灰度化处理，可以在读取图像文件时直接读取为灰度图像，也可以通过颜色空间转换函数 **cv2.cvtColor** 将彩色图像转换为灰度图像。 灰度化处理相关函数和例程介绍，详见 [OpenCV 学习课-2.图像读取与显示]。 函数 threshold() 可以将灰度图像转换为二值图像，图像完全由像素 0 和 255 构成，呈现出只有黑白两色的视觉效果。......
opencv 最大熵二值化 python
07-27
在Python中使用OpenCV进行最大熵二值化的示例代码如下： ```python import numpy as np import cv2 as cv import sys image = cv.imread('F:/material/images/2022/2022-06/img_300_320.jpg') if image is None: ...
评论 2
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