【Opencv学习笔记】5-3 节阈值与平滑处理

目录

图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

 图像平滑

 均值滤波

 方框滤波

高斯滤波

 中值滤波

---

图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

• - src： 输入图，只能输入单通道图像，通常来说为灰度图
• - dst： 输出图
• - thresh： 阈值
• - maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
• - type：二值化操作的类型，包含以下5种类型：

1. cv2.THRESH_BINARY；
2. cv2.THRESH_BINARY_INV；
3. cv2.THRESH_TRUNC；
4. cv2.THRESH_TOZERO；
5. cv2.THRESH_TOZERO_INV

• - cv2.THRESH_BINARY           超过阈值部分取maxval（最大值），否则取0
• - cv2.THRESH_BINARY_INV    THRESH_BINARY的反转
• - cv2.THRESH_TRUNC            大于阈值部分设为阈值，否则不变
• - cv2.THRESH_TOZERO          大于阈值部分不改变，否则设为0
• - cv2.THRESH_TOZERO_INV  THRESH_TOZERO的反转

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.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()

 

 图像平滑

 

img = cv2.imread('lenaNoise.png')

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

 均值滤波

使用3×3的全1卷积核，求内积

   

# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))

cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

 方框滤波

和均值滤波，就差normalize参数，如果设置normalize = true，那么和均值滤波相同

# 方框滤波
# 基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  

cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

 normalize=False的话，就容易发生越界，超过255，超过255.就会被设置成255。图像偏白色

# 方框滤波
# 基本和均值一样，可以选择归一化,容易越界
box = cv2.boxFilter(img,-1,(3,3), normalize=False)  

cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

高斯滤波

高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的

# 高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian = cv2.GaussianBlur(img, (5, 5), 1)  

cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

 中值滤波

有很多噪音点，考虑中值滤波

# 中值滤波
# 相当于用中值代替
median = cv2.medianBlur(img, 5)  # 中值滤波

cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()