OpenCV学习(4.3) 图像阈值

最新推荐文章于 2024-08-25 21:55:39 发布
最新推荐文章于 2024-08-25 21:55:39 发布
阅读量677 收藏 20
点赞数 25
文章标签： opencv 学习 人工智能
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/planttheson/article/details/139463229
版权

1.目的

在本教程中：

  • 你会学到简单阈值法，自适应阈值法，以及 Otsu 阈值法(俗称大津法)等。
  • 你会学到如下函数：**cv.threshold，cv.adaptiveThreshold** 等。

2.简单阈值法

此方法是直截了当的。如果像素值大于阈值，则会被赋为一个值（可能为白色），否则会赋为另一个值（可能为黑色）。使用的函数是 cv.threshold。第一个参数是源图像，它应该是灰度图像。第二个参数是阈值，用于对像素值进行分类。第三个参数是 maxval，它表示像素值大于（有时小于）阈值时要给定的值。opencv 提供了不同类型的阈值，由函数的第四个参数决定。不同的类型有：

文档清楚地解释了每种类型的含义。请查看文档。

获得两个输出。第一个是 retval，稍后将解释。第二个输出是我们的阈值图像。

代码：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('gradient.png',0)
ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,thresh2 = cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,thresh3 = cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,thresh4 = cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,thresh5 = cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in xrange(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

在 OpenCV 中，这些是阈值化操作的类型，用于将灰度图像转换为二值图像或将灰度图像中的像素值根据阈值进行分割。阈值化是一种常见的图像处理技术，它根据像素值与设定阈值的比较结果，将像素值设置为0或最大值。

以下是这些阈值的类型及其作用：

  1. cv.THRESH_BINARY：如果像素值大于阈值，则将其设置为最大值（例如255），否则设置为0。这种类型的阈值化产生了一个完全黑白的二值图像。

  2. cv.THRESH_BINARY_INV：与cv.THRESH_BINARY相反，如果像素值大于阈值，则将其设置为0，否则设置为最大值。这种类型的阈值化也会产生一个完全黑白的二值图像，但与cv.THRESH_BINARY相比，黑色和白色的区域会互换。

  3. cv.THRESH_TRUNC：如果像素值大于阈值，则将其截断为阈值，否则保持不变。这种类型的阈值化不会产生二值图像，而是将阈值以上的像素值都设置为相同的值。

  4. cv.THRESH_TOZERO：如果像素值大于阈值，则保持不变，否则将其设置为0。这种类型的阈值化会将低于阈值的像素值变为黑色，而高于阈值的像素值保持其原始灰度。

  5. cv.THRESH_TOZERO_INV：与cv.THRESH_TOZERO相反，如果像素值大于阈值，则将其设置为0，否则保持不变。这种类型的阈值化会将高于阈值的像素值变为黑色，而低于阈值的像素值保持其原始灰度。

在使用这些阈值类型时，通常还会指定一个阈值值和一个最大值。阈值值是用于比较的值，而最大值是用于cv.THRESH_BINARY和cv.THRESH_BINARY_INV类型的输出图像中的最大像素值。

 

3.自适应阈值 

在前一节中，我们使用一个全局变量作为阈值。但在图像在不同区域具有不同照明条件的条件下，这可能不是很好。在这种情况下，我们采用自适应阈值。在此，算法计算图像的一个小区域的阈值。因此，我们得到了同一图像不同区域的不同阈值，对于不同光照下的图像，得到了更好的结果。

它有三个“特殊”输入参数，只有一个输出参数。

Adaptive Method-它决定如何计算阈值。

Block Size-它决定了计算阈值的窗口区域的大小。

C-它只是一个常数，会从平均值或加权平均值中减去该值。

代码：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# img = cv.imread('gradient.png',0)
img = r'D:\study\EmotionDetection_RealTime-master\data\data\te\04.jpg'
img = cv.imread(img,0)



img = cv.medianBlur(img,5)
ret,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,11,2)
th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,11,2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]
for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

img = cv.medianBlur(img,5)

在 OpenCV 中，cv.medianBlur 函数用于对图像进行中值滤波。中值滤波是一种非线性的数字图像滤波技术，它用像素点邻域内的中值来代替该像素点的值，从而消除图像中的椒盐噪声和斑点噪声，同时保持图像边缘清晰。 

在 OpenCV 中，可以使用 cv.adaptiveThreshold 函数来实现自适应阈值化。该函数的原型如下：

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

参数说明：

  • src：输入的灰度图像。
  • maxValue：用于阈值化操作的最大值，通常设置为 255。
  • adaptiveMethod：自适应方法，可以是 cv.ADAPTIVE_THRESH_MEAN_C 或 cv.ADAPTIVE_THRESH_GAUSSIAN_C。
    • cv.ADAPTIVE_THRESH_MEAN_C：计算局部区域的平均值作为阈值。
    • cv.ADAPTIVE_THRESH_GAUSSIAN_C：计算局部区域的加权平均值作为阈值，权重是一个高斯窗口。
  • thresholdType：阈值类型，与 cv.threshold 函数中的阈值类型相同，例如 cv.THRESH_BINARY。
  • blockSize：局部区域的大小，必须是奇数，如 3、5、7 等。
  • C：从平均值或加权平均值中减去的常数，通常是一个正值。

输出图像： 

4.otus二值化

在第一部分中，我告诉过您有一个参数 retval。当我们进行 Otsu 二值化时，它的用途就来了。那是什么？

在全局阈值化中，我们使用一个任意的阈值，对吗？那么，我们如何知道我们选择的值是好的还是不好的呢？答案是，试错法。但是考虑一个双峰图像（简单来说，双峰图像是一个直方图有两个峰值的图像）。对于那个图像，我们可以近似地取这些峰值中间的一个值作为阈值，对吗？这就是 Otsu 二值化所做的。所以简单来说，它会自动从双峰图像的图像直方图中计算出阈值。（对于非双峰图像，二值化将不准确。）

为此，我们使用了 cv.threshold 函数，但传递了一个额外的符号 cv.THRESH_OTSU 。对于阈值，只需传入零。然后，该算法找到最佳阈值，并作为第二个输出返回 retval。如果不使用 otsu 阈值，则 retval 与你使用的阈值相同。

查看下面的示例。输入图像是噪声图像。在第一种情况下，我应用了值为 127 的全局阈值。在第二种情况下，我直接应用 otsu 阈值。在第三种情况下，我使用 5x5 高斯核过滤图像以去除噪声，然后应用 otsu 阈值。查看噪声过滤如何改进结果。

代码：

import cv2 as cv
import numpy as np
from skimage import util
from matplotlib import pyplot as plt
# img = cv.imread('gradient.png',0)
img = r'D:\study\EmotionDetection_RealTime-master\data\data\te\01.jpg'
img = cv.imread(img,cv.IMREAD_GRAYSCALE)
cv.imshow('img',img)



 # 全局阈值
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu 阈值
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 经过高斯滤波的 Otsu 阈值
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# 画出所有的图像和他们的直方图
images = [img, 0, th1,
          img, 0, th2,
           blur, 0, th3]
 titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
           'Original Noisy Image','Histogram',"Otsu's Thresholding",
           'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
 for i in range(3):
     plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
     plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
     plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
     plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
     plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
     plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
 plt.show()

 在您的代码中，您使用了 OpenCV 的 `cv.threshold` 函数来应用不同的阈值化方法。这里简要解释一下每个步骤：
1. `ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)`：
   - `img` 是输入图像。
   - `127` 是阈值。
   - `255` 是最大值。
   - `cv.THRESH_BINARY` 是阈值类型，它将像素值设置为 0 或 255，具体取决于它们是否大于阈值。
   - 返回值 `ret1` 是一个布尔值，表示阈值化操作是否成功。
   - `th1` 是阈值化后的输出图像。
2. `ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)`：
   - 与第一个步骤类似，但这次您使用了 `cv.THRESH_OTSU`。
   - `cv.THRESH_OTSU` 是一个特殊的阈值类型，它会自动选择一个阈值，使得前景和背景之间的类间方差最大。
   - `th2` 是应用 Otsu 阈值后的输出图像。
3. `blur = cv.GaussianBlur(img, (5, 5), 0)`：
   - `img` 是输入图像。
   - `(5, 5)` 是高斯滤波器的尺寸，它定义了滤波器的宽度和高度。
   - `0` 是高斯核的标准差，它决定了滤波器的模糊程度。
   - `blur` 是应用高斯滤波后的输出图像。
4. `ret3, th3 = cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)`：
   - 与第二个步骤类似，但这次您使用了经过高斯滤波的图像 `blur`。
   - `th3` 是应用 Otsu 阈值后的输出图像。
请注意，`cv.threshold` 函数的第二个参数 `0` 通常是不必要的，因为它是默认值。您可以直接使用 `cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)`。
最后，`ret1`、`ret2` 和 `ret3` 都是布尔值，表示阈值化操作是否成功。`th1`、`th2` 和 `th3` 是阈值化后的输出图像。

可以看到是没什么区别，因为图像噪声很小，进行高斯滤波后变化不大 

添加高斯噪声后，可以看到有明显的效果 

加入噪声的代码：
img = util.random_noise(img, mode='gaussian', mean=0, var=0.05)
img = np.uint8(img * 255)

在 OpenCV 中，util.random_noise(img, mode='gaussian', mean=0, var=0.05) 函数的 img 参数是一个图像数据，而 util.random_noise 函数是添加高斯噪声的函数。

当您调用 util.random_noise 函数并将 img 作为第一个参数传递时，它会根据您指定的参数（在这个例子中是 mode='gaussian'、mean=0 和 var=0.05）为图像添加高斯噪声。

  • mode='gaussian' 指定使用高斯噪声模式。
  • mean=0 指定噪声的均值（中心点），这里设置为 0，意味着噪声的平均值是 0。
  • var=0.05 指定噪声的方差，它决定了噪声的强度。方差值越大，噪声越强。在这个例子中，方差为 0.05，意味着噪声强度较小。

添加噪声后，util.random_noise 函数将返回一个包含噪声的图像。这个图像的数据类型将与输入图像的数据类型相同。如果输入图像是一个浮点数图像，那么添加噪声后的输出也将是一个浮点数图像。如果输入图像是一个整数图像，那么添加噪声后的输出将是一个浮点数图像。

因此，util.random_noise(img, mode='gaussian', mean=0, var=0.05) 的输出结果将是一个浮点数图像，其中包含了根据指定参数添加的高斯噪声。

5. 二值化原理

 由于我们使用的是双峰图像，因此 Otsu 的算法试图找到一个阈值（t），该阈值将由下式计算得到的类内加权方差最小化。

它实际上找到一个 T 值，它位于两个峰值之间，使得两个类的方差最小。它可以简单地在 python 中实现，如下所示：

img = cv.imread('noisy2.png',0)
blur = cv.GaussianBlur(img,(5,5),0)
# 找到归一化直方图还有累计分布函数
hist = cv.calcHist([blur],[0],None,[256],[0,256])
hist_norm = hist.ravel()/hist.max()
Q = hist_norm.cumsum()
bins = np.arange(256)
fn_min = np.inf
thresh = -1
for i in xrange(1,256):
    p1,p2 = np.hsplit(hist_norm,[i]) # 概率
    q1,q2 = Q[i],Q[255]-Q[i] # 类别总和
    b1,b2 = np.hsplit(bins,[i]) # 权重
    # f 找到均值与方差
    m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2
    v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2
    # 计算最小函数
    fn = v1*q1 + v2*q2
    if fn < fn_min:
        fn_min = fn
        thresh = i
# 用 OpenCV 函数的 otsu'阈值
ret, otsu = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
print( "{} {}".format(thresh,ret) )

Q = hist_norm.cumsum()

在您提供的代码片段中，您正在计算直方图的累积分布函数（CDF）。累积分布函数（CDF）是概率论中的一个概念，它给出了随机变量小于或等于某个值的概率。在图像处理中，累积分布函数通常用于阈值选择，特别是在 Otsu 阈值化方法中。
在您的代码中，`Q = hist_norm.cumsum()` 意味着：
- `hist_norm` 是归一化的直方图，其值范围在 [0, 1]。
- `hist_norm.cumsum()` 计算直方图的累积和，即从左到右遍历直方图，计算累积的概率。
这个累积和形成了一个新的数组 `Q`，其中 `Q[i]` 表示随机变量小于或等于 `i` 的概率。这个数组 `Q` 就是累积分布函数（CDF）。
累积分布函数在 Otsu 阈值化方法中的作用是帮助选择一个阈值，使得背景和前景之间的类间方差最大。Otsu 阈值化的基本思想是找到一个阈值，使得前景和背景之间的类间方差最大。在这个上下文中，类间方差可以通过计算前景和背景的概率分布的方差来估计。
请注意，Otsu 阈值化通常使用 OpenCV 的 `cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)` 函数来实现，而不是手动计算累积分布函数。手动计算可能会导致不准确的结果，并且通常不如 OpenCV 的内置函数高效。 

p1,p2 = np.hsplit(hist_norm,[i]) # 概率

在您提供的代码片段中，您似乎正在尝试实现一个自定义的 Otsu 阈值选择方法。在这个方法中，您使用了 NumPy 的 `np.hsplit` 函数来分割直方图。
`np.hsplit` 函数用于将一个数组水平分割成多个子数组。它接受一个数组和一个或多个分割点作为参数，并将数组分割成多个子数组。
在您的代码中，`p1, p2 = np.hsplit(hist_norm, [i])` 意味着：
- `hist_norm` 是归一化的直方图。
- `[i]` 是分割点，表示您想要将直方图分割成两部分，其中一部分包含小于或等于 `i` 的像素，另一部分包含大于 `i` 的像素。
函数 `np.hsplit` 返回两个子数组，分别对应于小于或等于 `i` 的像素和大于 `i` 的像素。这两个子数组分别被赋值给 `p1` 和 `q2`。
请注意，如果您想要使用 OpenCV 的 `cv.threshold` 函数来应用 Otsu 阈值，您应该使用 `cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)`，而不是手动计算阈值。手动计算阈值可能会导致不准确的结果，并且通常不如 OpenCV 的内置函数高效。

q1,q2 = Q[i],Q[255]-Q[i] 

在您提供的代码片段中，您似乎正在尝试实现一个自定义的 Otsu 阈值选择方法。在这个方法中，您使用了累积分布函数（CDF）来分割直方图，并计算两个类别的概率。
在 Otsu 阈值化方法中，累积分布函数（CDF）被用来分割直方图，从而得到两个类别的概率分布。具体来说，您正在计算两个类别（前景和背景）的概率。
在您的代码中，`q1, q2 = Q[i], Q[255] - Q[i]` 意味着：
- `Q` 是累积分布函数（CDF）。
- `i` 是分割点，表示您想要将直方图分割成两部分，其中一部分包含小于或等于 `i` 的像素，另一部分包含大于 `i` 的像素。
- `Q[i]` 表示随机变量小于或等于 `i` 的概率，即背景的概率。
- `Q[255] - Q[i]` 表示随机变量大于 `i` 的概率，即前景的概率。
这两个概率值 `q1` 和 `q2` 用于后续的计算，以估计前景和背景的方差。Otsu 阈值化的基本思想是找到一个阈值，使得前景和背景之间的类间方差最大。类间方差可以通过计算前景和背景的概率分布的方差来估计。
请注意，Otsu 阈值化通常使用 OpenCV 的 `cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)` 函数来实现，而不是手动计算累积分布函数。手动计算可能会导致不准确的结果，并且通常不如 OpenCV 的内置函数高效。

b1,b2 = np.hsplit(bins,[i]) # 权重 

在您提供的代码片段中，您似乎正在尝试实现一个自定义的 Otsu 阈值选择方法。在这个方法中，您使用了 NumPy 的 `np.hsplit` 函数来分割一个包含像素值的数组。
在您的代码中，`b1, b2 = np.hsplit(bins, [i])` 意味着：
- `bins` 是一个包含像素值的数组，这些像素值代表图像的灰度级。
- `[i]` 是分割点，表示您想要将像素值数组分割成两部分，其中一部分包含小于或等于 `i` 的像素值，另一部分包含大于 `i` 的像素值。
函数 `np.hsplit` 返回两个子数组，分别对应于小于或等于 `i` 的像素值和大于 `i` 的像素值。这两个子数组分别被赋值给 `b1` 和 `b2`。
在 Otsu 阈值化方法中，`b1` 和 `b2` 通常被称为权重，它们代表图像中不同灰度级像素的数量。这些权重被用来计算前景和背景的加权方差，从而找到最佳的阈值。
请注意，Otsu 阈值化通常使用 OpenCV 的 `cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)` 函数来实现，而不是手动计算权重。手动计算可能会导致不准确的结果，并且通常不如 OpenCV 的内置函数高效。

m1,m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2 v1,v2 = np.sum(((b1-m1)**2)*p1)/q1,np.sum(((b2-m2)**2)*p2)/q2

在您提供的代码片段中，您似乎正在尝试实现一个自定义的 Otsu 阈值选择方法。在这个方法中，您正在计算两个类别（前景和背景）的均值和方差。
在 Otsu 阈值化方法中，均值和方差被用来估计前景和背景的加权方差，从而找到最佳的阈值。加权方差是类内方差和类间方差的组合，用于评估不同阈值下的分割质量。
在您的代码中，`m1, m2 = np.sum(p1*b1)/q1, np.sum(p2*b2)/q2` 意味着：
- `p1` 和 `p2` 是前景和背景的概率分布。
- `b1` 和 `b2` 是前景和背景的权重，即对应灰度级的像素数量。
- `q1` 和 `q2` 是前景和背景的概率。
这些概率和权重被用来计算两个类别的均值：
- `m1` 是前景的均值，计算方法是将前景的概率分布 `p1` 乘以前景的权重 `b1`，然后除以前景的概率 `q1`。
- `m2` 是背景的均值，计算方法是将背景的概率分布 `p2` 乘以背景的权重 `b2`，然后除以背景的概率 `q2`。
接着，您计算了两个类别的方差：
- `v1` 是前景的方差，计算方法是将前景的权重 `b1` 与前景的均值 `m1` 的差的平方乘以前景的概率分布 `p1`，然后除以前景的概率 `q1`。
- `v2` 是背景的方差，计算方法是将背景的权重 `b2` 与背景的均值 `m2` 的差的平方乘以背景的概率分布 `p2`，然后除以背景的概率 `q2`。
这些方差和均值值用于后续的计算，以估计前景和背景的加权方差，从而找到最佳的阈值。
请注意，Otsu 阈值化通常使用 OpenCV 的 `cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)` 函数来实现，而不是手动计算均值和方差。手动计算可能会导致不准确的结果，并且通常不如 OpenCV 的内置函数高效。 

无妄无望
关注
OpenCV（三）——图像分割（一）
Billie使劲学的博客
04-25 2万+
目录 1.图像分割 2.固定阈值法——直方图双峰法 3.自动阈值法 3.1 自适应阈值法 3.2 迭代阈值分割 3.3 Otsu大津法 4.边缘检测 4.1 图像梯度的概念 4.2 模板卷积和梯度图的概念 4.3 梯度算子 4.4Canny边缘检测算法 5.连通区域分析 5.1 连通区域概要 5.2 Two-Pass算法 6.区域生长算法 6.1 区域生长概要 6.2 区域生长原理 7.分水岭算法 7.1 分水岭算法概要 7.2 分水岭算法 1...
cv2.THRESH_OTSU详解
qq_42598935的博客
04-13 6637
cv2.THRESH_OTSU详解
二值化函数cvThreshold（）参数CV_THRESH_OTSU的疑惑【转】
andaren6337的博客
05-17 1617
查看OpenCV文档cvThreshold()，在二值化函数cvThreshold（const CvArr*src, CvArr*dst, doublethreshold, doublemax_value, intthreshold_type）中，参数threshold_type有5种类型： THRESH_BINARY THRESH_BINARY_INV ...
OpenCV 图像处理中滤波技术介绍
最新发布
想都是问题，做才有答案～～
08-25 616
OpenCV 图像处理中滤波技术介绍
OpenCV阈值处理（threshold函数、自适应阈值处理、Otsu处理）
weixin_51756038的博客
06-29 9264
阈值处理是指剔除图像内像素高于一定值或低于一定值的像素点。例如，设定阈值为127，然后：1.将图像内所有像素值大于127的像素点的值设为2552.将图像内所有像素值小于或等于127的像素点的值设为0通过上述方式能够得到一幅二值图像。
深入理解 OpenCV 中的二值化：cv2.THRESH_BINARY 与 cv2.THRESH_OTSU 的组合运用
AI_dataloads的博客
10-18 6694
通过结合使用和，我们能够实现图像二值化的自动优化。自适应地选择最佳阈值，而将图像进行二值化，使得图像处理更加高效和精确。这种组合方法在处理不同类型的图像时尤其有用，为图像处理提供了更加便捷和灵活的选择。在实际应用中，可以根据图像特性选择合适的阈值化方法，从而实现最佳的二值化效果，为后续图像处理任务奠定基础。以上是关于 cv2.THRESH_BINARY 和 cv2.THRESH_OTSU 组合使用的博客内容。如果有需要进一步修改或添加其他内容，请随时提出。
opencv cv2.THRESH_OTSU 二值化
热门推荐
lcalqf的专栏
05-04 2万+
原文地址：http://www.mamicode.com/info-detail-907204.html  Otsu’s二值化 我们前面说到，cv2.threshold函数是有两个返回值的，前面一直用的第二个返回值，也就是阈值处理后的图像，那么第一个返回值（得到图像的阈值）将会在这里用到。  前面对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的
OpenCV中的图像阈值处理与分割
介绍图像阈值处理 ## 1.1 什么是图像阈值处理 图像阈值处理是一种常用的图像处理方法，通过设定一个阈值来将图像分割成不同的区域，从而实现图像信息的提取和分割。在图像处理中，阈值处理可以应用在图像二值化、...
阈值分割：彩色图像阈值分割
kkchenjj的博客
07-27 1012
通过上述步骤，我们可以使用Python和OpenCV有效地实现彩色图像的阈值分割，并对分割结果进行可视化和初步分析。这为更复杂的图像处理任务，如对象识别和跟踪，提供了基础。色彩空间的选择：RGB、HSV、Lab 等色彩空间各有优势，选择合适的色彩空间可以简化分割过程。阈值的确定：手动设定、Otsu 方法、自适应阈值等，不同的方法适用于不同的场景。多阈值分割：对于复杂图像，单一阈值可能无法满足需求，多阈值分割可以更精确地分离目标。后处理技术：如形态学操作（开运算、闭运算），可以去除噪声，优化分割结果。
OpenCV滑块验证码图像缺口位置识别
Java/Python大数据成长之路
11-23 2796
在使用Selenium完成自动化爬虫时，许多网站为了防止机器人爬取数据会使用验证码（例如滑块验证码）。完成这一流程的关键步骤有两步：识别出目标图像缺口的位置，操作滑块滑动到对应缺口位置。因此，滑块验证码HTTP图像完全没必要保存到本地操作。注意，这可不是手画上去的！来看一个例子，下面src1是src2（HTTP图像）保存到本地的图片。对于爬虫网页滑块验证码HTTP图像，需要保存到本地再操作吗？通过结果我们看到，OpenCV图像缺口识别还是比较准确的。而识别目标图像缺口的位置可以通过OpenCV模块实现。
OpenCV3.4.4 源代码
03-25
4. 图像分割：OpenCV实现了阈值分割、区域生长、水平集等多种图像分割方法，有助于从复杂背景中提取目标。 5. 三维视觉：OpenCV支持立体视觉、多视图几何、结构光扫描等技术，用于重建三维场景和物体。 6. 机器...
Mathematical analysis of random noise（随机噪声的数学分析-完整版）
04-11
经典文献，在IEEE或Wiley只能下到第一部分，这是所有的完整内容。
图像二值化 otsu阈值分割
10-26
图像的二值化分割 otsu最大类间方差法 opencv写的，编译前请自行配置opencv1.0/2.x环境
022-OpenCV4(C++)自适应阈值
AlexanderMiao的博客
04-21 1442
022-OpenCV4(C++)自适应阈值
35_OpenCv中的阈值化操作
sinat_41752325的博客
05-06 1645
阈值化操作原理是给定一个数组和阈值，对于数组中每个值，根据其高于或低于这个阈值做出响应的处理。也可以把阈值化理解成一个用axa的核进行卷积，对每个像素进行一次非线性操作。函数原型： double cv::threshold( cv::InputArray src, // input image cv::OutputArray dst, // result image double thresh, // threshold value double maxValue, // max valu
[OpenCV4] cv :: adaptiveThreshold() 自适应阈值函数
...
11-12 1042
官方文档：参考链接 1.函数原型 2.解释 2.1 头文件 #include <opencv2/imgproc.hpp> 2.2 功能 Applies an adaptive threshold to an array. 对于图片施加自适应阈值操作。 The function transforms a grayscale image to a binary ...
OpenCV-Python计算机视觉函数
涵涵啦啦啦的博客
11-15 7328
本文主要记录了各种OpenCV操作的函数以及主要的参数解释，以便各码农在使用函数时遗忘和遗忘参数解释时查阅，同时也作为自己的复习回顾资料，对自我所学进行沉淀，同时该博文会随着我所学不断更新函数和函数解释。
imshow函数_opencvpython图像二值化函数cv2.threshold函数详解及参数cv2.THRESH_OTSU使用...
weixin_39886469的博客
11-30 789
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注极市平台公众号，回复加群，立刻申请入群~来源：CSDN原文链接：https://blog.csdn.net/weixin_35732969/article/deta...
python—添加噪声|均值滤波|中值滤波|高斯滤波|cv2.blur|cv2.medianBlur|skimage
qq_44868807的博客
05-14 9719
文章目录添加噪声均值滤波cv2.blur中值滤波 cv2.medianBlur（）高斯滤波skimage中的滤波函数高斯滤波器中值滤波器模板 添加噪声 用到了scikit-image， 详见：https://blog.csdn.net/u013044310/article/details/80114689 相关函数： https://blog.csdn.net/zh_jessica/article/details/77967650 skimage.util.random_noise(image, mode=
OpenCV-python图像阈值详解与实战应用
在OpenCV-python的学习笔记中，图像阈值是处理图像数据的重要步骤，它用于将图像中的像素值分为两个或更多的离散区间。本部分主要关注cv2.threshold()函数，这是OpenCV库中实现基本阈值操作的核心函数。这个函数用于...
评论
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