【深度学习】OpenCV——阈值操作和图像上的运算

目录

1 阀值操作

1.1 简单阀值

1.2 OTSU二值化

1.3 自适应阀值

2 图像上的运算

2.1 加减法

2.2  图像混合

2.3 按位运算

---

1 阀值操作

1.1 简单阀值

像素值高于阈值时，我们给这个像素赋予一个新值（可能是白色），否则我们给它赋予另外一种颜色（也许是黑色）。这个函数就是cv2.threshold(src, thresh, maxval, type[, dst]) 第一个参数就是原图像，原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阈值。第三个参数就是当像素值高于（有时是小于）阈值时应该被赋予的新的像素值。OpenCV提供了多种不同的阈值方法，这是有第四个参数来决定的。这些方法包括：【博客——图像阈值处理cv2.threshold()函数】

cv2.THRESH_BINARY || cv2.THRESH_BINARY_INV || cv2.THRESH_TRUNC || cv2.THRESH_TOZERO || cv2.THRESH_TOZERO_INV

""" Python阀值操作 """
import cv2 
import numpy as np 
from matplotlib import pyplot as plt 

img = cv2.imread('5.jpg') 
img_Gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

""" 将大于127小于等于255的值设为255，其余设为0 """
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY) 

""" 将大于127小于等于255的值设为0，其余设为255 """
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV) 

""" 将大于127小于等于255的值设为255，其余设为不变"""
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC) 

""" 将大于127小于等于255的值不变，其余设为0 """
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO) 

""" 将大于127小于等于255的值设为0，其余不变 """
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) 
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV'] 
images = [img_Gray, thresh1, thresh2, thresh3, thresh4, thresh5] 

for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray') 
    plt.title(titles[i])         
    plt.xticks([]),plt.yticks([])
plt.show()

1.2 OTSU二值化

由OTSU算子寻找全局最佳的阀值。【博客 — Python下opencv使用笔记（四）（图像的阈值处理）】

import cv2
img = cv2.imread("..\Image\SpongeBobSquarePants.jpg") """ 读取图片 """
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)          """ 将图片转为灰度图 """
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) """ 将初始阀值设为0，由算法去寻找全局最佳的阀值 """
cv2.imshow("gray",gray)
cv2.imshow('binary', binary)
cv2.waitKey(0)

1.3 自适应阀值

前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。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与其对应的阈值。因此在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。这种方法需要我们指定三个参数，返回值只有一个。

• Adaptive Method- 指定计算阈值的方法。

cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值

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。

• Block Size - 邻域大小（用来计算阈值的区域大小）。
• C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数

""" Python自适应阀值 """
import cv2 
import numpy as np 
from matplotlib import pyplot as plt 

img = cv2.imread('4.jpg', 0) 
img = cv2.GaussianBlur(img, (5, 5), 0) 

ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) 
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.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()

2 图像上的运算

2.1 加减法

""" Python """
import cv2 
import numpy as np 

x = np.uint8([245]) """ 非uint8数据类型只是普通加法 """
y = np.uint8([255])

print(cv2.add(x, y))        """ x + y 打印结果：[[255]] """

print(cv2.subtract(x,y))    """ x - y 打印结果：[[0]] """

2.2  图像混合

这其实也是加法，但是不同的是两幅图像的权重不同，这就会给人一种混合或者透明的感觉。图像混合 的计算公式如下： g(x)=(1−\alpha) f_{0} (x) + \alpha f_{1} (x)

通过修改 α 的值（0 → 1），可以实现非常多的混合。 现在我们把两幅图混合在一起。第一幅图的权重是 0.7，第二幅图的权重是 0.3。函数 cv2.addWeighted() 可以按下面的公式对图片进行混合操作。 dst = α · img1 + β · img2 + γ 这里 γ 的取值为 0。

""" Python """
import cv2
""" 两张图片大小需要一样：同w、同h、同通道数 """
dog_img = cv2.imread("../Image/dog.jpg")
dog_img = cv2.resize(dog_img,(960,540))

bg_img = cv2.imread("../Image/bg.jpg")
bg_img = cv2.resize(bg_img,(960,540))

print(dog_img.shape, bg_img.shape) """ 打印结果：(540, 960, 3) (540, 960, 3) """
cv2.imshow("dog ", dog_img)
cv2.imshow("bg ", bg_img)

_img = cv2.addWeighted(dog_img, 0.7, bg_img, 0.2,gamma=0)
cv2.imshow("_img", _img)
cv2.waitKey(0)
cv2.destroyAllWindows()

下图红字为截图时添加。 

 

2.3 按位运算

这里包括的按位操作有：AND，OR，NOT，XOR 等。当我们提取图像的一部分，选择非矩形 ROI 时这些操作会很有用。【博客 — 与、或、非、异或】

import cv2 

img1 = cv2.imread('1.jpg') 
img2 = cv2.imread('9.jpg') 

rows, cols, channels = img2.shape 
roi = img1[0:rows, 0:cols]
img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) 
ret, mask = cv2.threshold(img2gray, 10, 255, cv2.THRESH_BINARY) 

mask_inv = cv2.bitwise_not(mask) 
# cv2.imshow("mask_inv",mask_inv) 

""" 按照mask进行镂空操作 """
img1_bg = cv2.bitwise_and(roi, roi, mask=mask_inv) 
# cv2.imshow("img1_bg",img1_bg) 

img2_fg = cv2.bitwise_and(img2, img2, mask=mask) 
# cv2.imshow("img2_fg",img2_fg) 

dst = cv2.add(img1_bg, img2_fg) 
img1[0:rows, 0:cols] = dst 
cv2.imshow('res', img1) 
cv2.waitKey(0)

作者：阳一子

本文地址：https://blog.csdn.net/qq_279033270/article/details/110235905