1. 全局二值化
图像二值化就是将图像上的像素点的灰度值设置为0或255,这样将使整个图像呈现出明显的黑白效果。灰度处理后就能够二值化了,这是方便图像处理的重要步骤,对轮廓有要求的很有效。在数字图像处理中,二值图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。
OpenCV提供了全局固定阈值和局部自适应阈值的函数来实现二值化图像。
全局二值化方法(Global Binariztion Method) 对每一幅图计算一个单一的阀值。灰度级大于阈值的像素被标记为背景色,否则为前景。
局部二值化方法(Local Adaptive Binarization Method) 以像素的邻域的信息为基础来计算每一个像素的阈值。其中一些方法还会计算整个图像中的一个阈值面。如果图像中的一个像素(x,y)的灰度级高于在(x,y)点的阈值面的计算值,那么把像素(x,y)标记为背景,否则为前景字符。
源代码:
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('C://Users//47463//Desktop//2//carid.jpg',0)
ret,thresh1 = cv.threshold(img,120,255,cv.THRESH_BINARY)
ret,thresh2 = cv.threshold(img,120,255,cv.THRESH_BINARY_INV)
ret,thresh3 = cv.threshold(img,120,255,cv.THRESH_TRUNC)
ret,thresh4 = cv.threshold(img,120,255,cv.THRESH_TOZERO)
ret,thresh5 = cv.threshold(img,120,255,cv.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
- threshold(src, thresh, maxval, type, dst=None) 参数介绍:src原图片,thresh阈值,maxval图像中最大值,
type:
0: THRESH_BINARY 当前点值大于阈值时,取Maxval,否则设置为0
1: THRESH_BINARY_INV 当前点值大于阈值时,设置为0,否则设置为Maxval
2: THRESH_TRUNC 当前点值大于阈值时,设置为阈值,否则不改变
3: THRESH_TOZERO 当前点值大于阈值时,不改变,否则设置为0
4: THRESH_TOZERO_INV 当前点值大于阈值时,设置为0,否则不改变
第一张是原始图片,原始图片为一张渐变图片最右边为纯白,最左边为纯黑,闸值选的为‘127’ ,在做BINARY变换时,大于127的值全部变成黑色,小于127的值全部变白。BINARY_INV变换,正好相反,大于127的变白,大于127的变黑。 - matplotlib的相关教程信息可参考:
https://blog.csdn.net/qq_33208851/article/details/95613929
https://www.runoob.com/numpy/numpy-matplotlib.html
2. 局部(自适应)二值化
源代码:
import cv2
img = cv2.imread("C://Users//47463//Desktop//2//carid.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
gauss = cv2.GaussianBlur(gray, (3, 3), 1)
maxvalue = 255
def onaptivethreshold(x):
value = cv2.getTrackbarPos("value", "Threshold")
if(value < 3):
value = 3
if(value % 2 == 0):
value = value + 1
args = cv2.adaptiveThreshold(gauss, maxvalue, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, value, 1)
gaus = cv2.adaptiveThreshold(gauss, maxvalue, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, value, 1)
cv2.imshow("Args", args)
cv2.imshow("Gaus", gaus)
cv2.namedWindow("Threshold",cv2.WINDOW_NORMAL)
cv2.createTrackbar("value", "Threshold", 0, 10, onaptivethreshold)
cv2.imshow("Threshold", img)
cv2.waitKey(0)
- def adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C,dst=None)
maxval: Double类型的,阈值的最大值
adaptiveMethod: Int类型的,这里有两种选择
1 —— ADAPTIVE_THRESH_MEAN_C(通过平均的方法取得平均值)
2 —— ADAPTIVE_THRESH_GAUSSIAN_C(通过高斯取得高斯值)
不过这两种方法最后得到的结果要减掉参数里面的C值
thresholdType: Int类型的,方法如下:
THRESH_BINARY 二进制阈值化 -> 大于阈值为1 小于阈值为0
THRESH_BINARY_INV 反二进制阈值化 -> 大于阈值为0 小于阈值为1
THRESH_TRUNC 截断阈值化 -> 大于阈值为阈值,小于阈值不变
THRESH_TOZERO 阈值化为0 -> 大于阈值的不变,小于阈值的全为0
THRESH_TOZERO_INV 反阈值化为0 -> 大于阈值为0,小于阈值不变
blockSize:Int类型的,这个值来决定像素的邻域块有多大。
注意:这里的blockSize的值要为奇数,否则会给出这样的提示:
Assertion failed (blockSize % 2 == 1 && blockSize > 1) in cv::adaptiveThreshold
C:偏移值调整量,计算adaptiveMethod用到的参数。
更多文章:https://blog.csdn.net/qq_33208851/article/details/95237054