1、简单阈值
这种方法是二值化中比较简单的一种方法,可以理解为为图像指定一个阈值,高于这个值的像素为其赋一个新值,否则我们给他赋另一个值,例如我们可以将高于这个阈值的像素设为白色,低于这个阈值的像素设为黑色,我们要用的的函数是cv2.threshold(),这个函数有四个主要的参数:第一个是要操作的原图,注意,这里的原图必须为灰度图,第二个参数就是我们进行分类要设定的那个值,第三个参数是当某像素值高于阈值时应该被赋予的新值,第四个时阈值方法,主要有四个:
cv2.THRESH_BINARY cv2.THRESH_BINARY_INV cv2.THRESH_TRUNC cv2.THRESH_TOZERO cv2.THRESH_TOZERO_INV
具体他们之间的不同如效果图所示
代码如下:
import cv2 import matplotlib.pyplot as plt img=cv2.imread('images/test.jpg',0) ret, thresh1 = cv2.threshold(img, 1, 255, cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC) ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO) ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV) titles = ['img', '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()
2、自适应阈值
所谓的自适应不再是简单的为整个图像指定一个固定的阈值,而是根据整个图像不同部分的不同亮度,在不同区域计算出不同的阈值,我们要用到
cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C)
src:原图像
maxValue:最大像素值
adaptiveMethod:计算阈值的方法
thresholdType:阈值方法
blockSize:计算区域的大小
C:常数项
计算阈值的方法主要有两个:ADAPTIVE_THRESH_GAUSSIAN_C:阈值取自相邻区域的平均值cv2.ADAPTIVE_THRESH_MEAN_C:阈值取自相邻区域的加权和阈值的算法就等于平均值或加权平均值减去常数C代码如下:import cv2 import numpy as np img=cv2.imread('images/test.jpg') gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,threshold=(gray,200,255,cv2.THRESH_BINARY) th2=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2) th3=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2) cv2.imshow('gray',threshold) cv2.imshow('gray',th2) cv2.imshow('th3',th3) cv2.waitKey(0)3、Ostu's 二值化