OpenCV学习记录——阈值处理（全局阈值处理、自适应阈值处理）

KAIs32

已于 2024-01-29 17:40:24 修改

阅读量2.1k

点赞数 34

分类专栏：树莓派——OpenCV 文章标签： opencv 学习人工智能计算机视觉嵌入式硬件

于 2024-01-29 15:46:54 首次发布

本文链接：https://blog.csdn.net/m0_73629902/article/details/135911146

版权

树莓派——OpenCV 专栏收录该内容

9 篇文章 18 订阅

订阅专栏

本文介绍了使用OpenCV进行图像处理时的阈值处理技术，包括图像二值化的基本概念，全局阈值处理的函数及其参数解释，以及自适应阈值处理的方法和参数选择。通过实例展示了如何在代码中应用这两种阈值处理方法。

摘要由CSDN通过智能技术生成

一、学习目的

在进行图像处理时，我们通常要进行颜色识别等一系列需要进行图像阈值处理的操作，今天我们就记录一下opencv进行阈值处理的一些基本操作和代码

二、图像二值化

我们首先要明白一个概念，图像二值化就是将图像上的像素点的灰度值设置为两个值，一般为0（表示黑色）和255（表示白色），可以将整个图像呈现出明显的黑白效果。

最常用的方法就是先将图像灰度处理，然后设定一个阈值，用该阈值将图像分为两个部分，即大于阈值的部分和小于阈值的部分，然后再将两部分图像分别赋予不同像素值。

图像二值化的作用就是使图像变得简单，凸显出感兴趣的目标轮廓。

阈值处理一共有三种方式：全局阈值处理、自适应阈值处理、Otsu阈值处理，这篇文章主要记录全局阈值处理和自适应阈值处理

三、全局阈值处理

这种阈值处理方式可以自己设定阈值，并且有五种处理方法，主要运用如下函数：

cv2.threshold(src, thresh, maxval, type)

函数中四个参数的具体含义如下：

（1）“src”，代表要进行阈值处理的图像

（2）“thresh”，代表设定的阈值

（3）“maxval”，代表高于（或低于）阈值时赋予的新值，只有当处理方式为THERESH_BINARY或者THERESH_BINARY_INV时才需要设置该值

（4）“type”，代表的是阈值处理的方法，五种处理方法具体如下：

(1) cv2.THRESH_BINARY       # 超过阈值部分取 maxval，否则取 0
(2) cv2.THRESH_BINARY_INV   # 大于阈值的部分变为 0，其他部分变为 maxval
(3) cv2.THRESH_TRUNC        # 大于阈值部分设为阈值，否则不变，相当于进行一个截断
(4) cv2.THRESH_TOZERO       # 大于阈值部分不改变，否则设为 0
(5) cv2.THRESH_TOZERO_INV   # 大于阈值的部分变为 0，其余部分不变

完整应用代码如下：

import cv2

# 读取图片
img = cv2.imread('cat.jpg')

# 将图片设置为灰色，方便进行二值化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 获取返回参数ret、thresh；选择被处理图像，设定阈值、最大值、处理方法
ret, thresh = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)

# 显示输出图像“thresh”
cv2.imshow('image', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，将图像设置为灰色的函数之前已经讲过

尤其需要注意的是阈值处理函数返回的两个参数：

（1）“ret”，代表阈值处理是否成功，若处理成功则ret置0，否则ret返回负数

（2）“thresh”，是返回的图像，即处理完成后的输出图

此外，写入的参数具体含义如下：

（1） “img_gray”，代表的是待处理的图像，即输入图

（2）“127”，为设定的阈值，通常选择127，即选取图像最大值的一半，此时输出的结果更加明显，可以根据需求自定义

（3） “255”，为设置的最大值，即当处理方法为THRESH_BINARY时，图像的灰度值大于127的部分将被赋予成255

（4） “cv2.THRESH_BINARY”，为处理方法，超过阈值部分取 maxval，否则取 0

四、自适应阈值处理

自适应阈值会局部计算每一个区域的阈值来处理图像

简单来说，对于色彩均匀的图像来说，通常设置阈值为127，这是由经验得来比较合适的阈值。但是，对于色彩并不均匀的图像来说，将整个图像设置阈值为127的效果并不太好，这时就需要进行自适应阈值处理，即将图像分成许多小块，局部计算每一个小块的阈值，再进行阈值处理。

自适应阈值处理的函数如下：

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

自适应阈值处理函数一共有六个参数，具体含义如下：

（1）“src”，是要进行阈值处理的图像

（2）“maxValue”，代表高于（或低于）阈值时赋予的新值，只有当处理方式为THERESH_BINARY或者THERESH_BINARY_INV时才需要设置该值

（3）“adaptiveMethod”，是计算自适应阈值的方法，共两种，具体如下：

（1）cv2.ADAPTIVE_THRESH_MEAN_C  #这种方法是将邻域所有像素点的权重值都取一样

（2）cv2.ADAPTIVE_THRESH_GAUSSIAN_C
# 这种方法是通过高斯公式获得邻域所有像素点的权重值，
# 这种权重值的选取就跟各邻域像素点到目标像素点的距离有关，
# 距离越近权重越高，距离越远权重越低。

（温馨提示：不管是opencv还是基于python的任何高级库，都会有大量的陌生函数名出现，记住这些函数名是学习python及各种库的难点之一，但是并不需要将函数名一字不落地记下来，在实际应用中只需要记住大概名称，各种编译器都会将完整的函数名展现出来供我们选择的）

（4）“thresholdType”，为阈值处理方法，不同于全局阈值处理有五种处理方法，自适应阈值处理中，只可以选择cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV两种方法

（5）“blockSize”，表示领域尺寸的大小，一般取3、5、7等，不必过多纠结

（6）“C”，是一个常数，阈值等于平均值或者加权平均值减去这个常数，也不必过多纠结

完整应用代码如下：

import cv2

# 读取图片
img = cv2.imread('cat.jpg')

# 将图片设置为灰色，方便进行二值化
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 选择待处理图像，设定最大值，选择计算阈值的方式，选择处理方法，设置领域大小和常数
img2 = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)

# 显示输出图像“img2”
cv2.imshow('image', img2)
cv2.waitKey(0)
cv2.destroyAllWindows()