1 形态学的概率
图像形态学就是指处理图像的形态特征,本质还是用卷积核来计算提取图像的形状或者特征。
形态学处理的一般都是黑白像素的图片(像素为0或者255)
常见的形态学处理方式:
- 膨胀和腐蚀
- 开运算
- 闭运算
- 顶帽
- 黑帽
2 图像全局二值化
全局二值化:将每个像素变成0or255
cv2.threshold(src, thresh, maxval, type):
src:图片,最好是灰度图
thresh:阈值,大于某个值怎么样,小于某个值怎么样
maxval:最大值,不一定是255
type:操作类型:
cv2.THRESH_BINARY :超过阈值为max
cv2.THRESH_BINARY_INV:超过阈值为0
cv2.THRESH_TOZERO:超过阈值不变,小于变0
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
# 对灰度照片进行二值化,先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化,回返回两个值:阈值+处理后的图片
# 阈值越大越黑,合理的调整
thresh, dst = cv2.threshold(gary, 120, 255, cv2.THRESH_BINARY)
cv2.imshow('二值化', np.hstack((gary, dst)))
cv2.waitKey(0)
3 自适应阈值二值化
使用全局二值化对于图像的某些像素无法得到一个合适的阈值,通过对图片的某一块像素进行自动计算,得到相应的阈值。
- 参数说明:
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C) - adaptiveMethod计算阈值的方法:
-cv2.ADAPTIVE_THRESH_MEAN_C:取相邻区域的平均值
-cv2.ADAPTIVE_THRESH_GAUSSIAN_C:相邻区域进行一个加权和,高斯窗口 - blockSize:计算阈值时的邻阈大小
- C:常数:平均值or加权平均值减去这个常数
import cv2
import numpy as np
img = cv2.imread('imgs/66.jpg')
# 对灰度照片进行二值化,先灰度化
gary = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 自适应二值化
dst = cv2.adaptiveThreshold(gary,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,9,0)
cv2.imshow('自适应二值化', np.hstack((gary, dst)))
cv2.waitKey(0)
4 腐蚀操作
腐蚀操作用卷积核扫描之后,只有覆盖的所有内容为白色才是白色,否则是黑色。
K K K = [ 1 1 1