OpenCV-阈值与平滑处理

最新推荐文章于 2024-12-31 09:42:25 发布

牛油果在岗

最新推荐文章于 2024-12-31 09:42:25 发布

阅读量381

点赞数 3

分类专栏： OpenCV 文章标签： opencv

本文链接：https://blog.csdn.net/h6111/article/details/117048794

版权

OpenCV 专栏收录该内容

14 篇文章

订阅专栏

本文介绍了OpenCV中的阈值处理，包括基本阈值、自适应阈值和Otsu阈值运算，详细讲解了各种阈值处理的方法。此外，还探讨了平滑处理，如卷积、均值滤波、高斯滤波、中值滤波和双边滤波在图像去噪和保护边缘细节方面的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

阈值处理

定义：指剔除图像内像素值高于一定值或者低于一定值的像素点
例如，设定阈值为127，然后将图像内所有像素值大于127的像素点的值设为255。将图像内所有像素值小于或等于127的像素点的值设为0。

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

在这里插入图片描述 retval,dst=cv2.threshold（src,thresh,maxval,type）

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

在这里插入图片描述

import cv2
import numpy as np
#from matplotlib import pyplot as plt
peppa = cv2.imread('peppa.jpg')
img=cv2.cvtColor(peppa,cv2.COLOR_BGR2GRAY)
cv2.imshow('Peppa',img)
ret,thresh1 = cv2.threshold(img,200,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,200,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,200,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('BINARY',thresh1)
cv2.imshow('BINARY_INV',thresh2)
#cv2.imshow('TRUNC',thresh3)
#cv2.imshow('TOZERO',thresh4)
#cv2.imshow('TOZERO_INV',thresh5)
peppa_body=cv2.bitwise_and(peppa,peppa,mask=thresh2)
cv2.imshow('peppa_body',peppa_body)
cv2.waitKey()
cv2.destroyAllWindows()

import cv2
Type=0  #阈值处理类型值
Value=0 #使用的阈值
def onType(a):
    Type= cv2.getTrackbarPos(tType, windowName)
    Value= cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value,255, Type) 
    cv2.imshow(windowName,dst)
    
def onValue(a):
    Type= cv2.getTrackbarPos(tType, windowName)
    Value= cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value, 255, Type) 
    cv2.imshow(windowName,dst)

img = cv2.imread("peppa.jpg",0)
windowName = "Peppa"  #窗体名
cv2.namedWindow(windowName)
cv2.imshow(windowName,img)
#创建两个滑动条
tType = "Type"  #用来选取阈值处理类型的滚动条
tValue = "Value"    #用来选取阈值的滚动条
cv2.createTrackbar(tType, windowName, 0, 4, onType)
cv2.createTrackbar(tValue, windowName,0, 255, onValue) 
cv2.waitKey()
cv2.destroyAllWindows()

自适应阈值处理

定义：使用变化的阈值完成对图像的阈值处理。
操作：通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。
目的：保留了更多的细节信息

cv2.adaptiveThreshold（）
dst=cv.adaptiveThreshold
(src,maxValue,adaptiveMethod,thresholdType,blockSize,C）
maxValue代表最大值。
adaptiveMethod代表自适应方法。
thresholdType 代表阈值处理方式，该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV中的一个。
blockSize代表块大小。表示一个像素在计算其阈值时所使用的邻
域尺寸，通常为3、5、7等。C是常量

cv2.adaptiveThreshold()

img=cv2.imread('peppa.jpg',0)
athdMEAN=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,7,5)
athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)
cv2.imshow("athMEAN",athdMEAN)
cv2.imshow("athGAUS",athdGAUS)
cv2.waitKey(0)
cv2.destroyAllWindows()

Otsu阈值运算

img=cv2.imread('peppa.jpg',0)
ret,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
cv2.imshow("otsu",otsu)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.threshold（）
Otsu大津
t,otsu=cv2.threshold
（img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU）

定义：根据当前图像给出最佳的类间分割阈值。
操作：遍历所有可能阈值，从而找到最佳的阈值。

函数实操与彩色图像

cv2. Threshold（）
cv2.adaptiveThreshold（）
cv2. Threshold（Otsu）

用滚动条控制阈值处理参数
用于将滑动条的数值处理并响应
在这里插入图片描述

createTrackbar(“name”,”winname”,”default”,”max”,callback)
Data = getTrackbarPos（”name”,”winname” ）

import cv2
Type=0  #阈值处理类型值
Value=0 #使用的阈值
def onType(a):
    Type= cv2.getTrackbarPos(tType, windowName)
    Value= cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value,255, Type) 
    cv2.imshow(windowName,dst)
    
def onValue(a):
    Type= cv2.getTrackbarPos(tType, windowName)
    Value= cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value, 255, Type) 
    cv2.imshow(windowName,dst)

img = cv2.imread("peppa.jpg",0)
windowName = "Peppa"  #窗体名
cv2.namedWindow(windowName)
cv2.imshow(windowName,img)
#创建两个滑动条
tType = "Type"  #用来选取阈值处理类型的滚动条
tValue = "Value"    #用来选取阈值的滚动条
cv2.createTrackbar(tType, windowName, 0, 4, onType)
cv2.createTrackbar(tValue, windowName,0, 255, onValue) 
cv2.waitKey()
cv2.destroyAllWindows()

平滑处理

卷积：将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。
在这里插入图片描述

均值滤波：是指用当前像素点周围N*N个像素值的均值来代替当前像素值。

dst=cv2.blur（src,ksize,anchor,borderType）

ksize：滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度。
anchor：锚点，其默认值是（-1,-1），表示当前计算均值的点位于核的中心点位置。
borderType：边界样式，该值决定了以何种方式处理边界。
通常情况下，使用均值滤波函数时，对于锚点anchor和边界样式borderType，直接采用其默认值即可。因此，函数cv2.blur（）的一般形式为：dst=cv2.blur（src,ksize,）。缺点在于它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。

方框滤波：自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。

cv2.boxFilter（src,ddepth,ksize,anchor,normalize,borderType）

ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
normalize 表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围内的值）处理，该参数是一个逻辑值，可能为真（值为1）或假（值为0）。
通常情况下，函数cv2.boxFilter（）的一般形式为：dst=cv2.boxFilter（src,ddepth,ksize）

高斯滤波：将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

dst=cv2.GaussianBlur（src,ksize,sigmaX,sigmaY,borderType）

sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。
sigmaY是卷积核在垂直方向上（Y轴方向）的标准差。
在实际处理中，可以显式指定sigmaX和sigmaY为默认值0。因此，函数cv2.GaussianBlur（）的常用形式为dst=cv2.GaussianBlur（src,ksize,0,0），高斯滤波的作用是消除高斯噪声(抑制服从正态分布的噪声)

中值滤波：用邻域内所有像素值的中间值来替代当前像素点的像素值。dst=cv2.medianBlur（src,ksize）
该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节

双边滤波：是综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息。

cv2.bilateralFilter（src,d,sigmaColor,sigmaSpace,borderType）

d:在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。
sigmaColor:滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。
sigmaSpace:坐标空间中的sigma值。
在函数cv2.bilateralFilter（）中，参数borderType是可选参数，其余参数全部为必选参数。

cv2.bilateralFilter（src,d,sigmaColor,sigmaSpace）

2D卷积：使用特定的卷积核实现卷积操作。

dst=cv2.filter2D（src,ddepth,kernel,anchor,delta,borderType）

delta :修正值，它是可选项。如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波处理结果。
在通常情况下，使用滤波函数cv2.filter2D（）时，对于参数锚点anchor、修正值delta、边界样式borderType，直接采用其默认值即可。因此，函数cv2.filter2D（）的常用形式为：dst=cv2.filter2D（src,ddepth,kernel）

import cv2
import numpy as np
img = cv2.imread("peppa_gaussian.jpg")
blur = cv2.blur(img, (7, 7))
box = cv2.boxFilter(img,-1,(7,7), normalize=True)  
gaussian = cv2.GaussianBlur(img, (7, 7), 10) 
median = cv2.medianBlur(img, 7)
bilater=cv2.bilateralFilter(img,9,75,75)
kernel = np.array((
        [-2, -1, 0],
        [-1,1,1],
        [0, 1, 2]), dtype="float32")
filter2D=cv2.filter2D(img,-1,kernel)#https://my.oschina.net/u/4306156/blog/3598055
cv2.imshow('img',img)
cv2.imshow('blur',blur)
cv2.imshow('box',box)
cv2.imshow('gaussian',gaussian)
cv2.imshow('median',median)
cv2.imshow('bilater',bilater)
cv2.imshow('filter2D',filter2D)
cv2.waitKey()
cv2.destroyAllWindows()