不同类型的阈值处理（python-＞opencv）-CSDN博客

本文链接：https://blog.csdn.net/weixin_39475026/article/details/147573680

这段代码演示了如何使用 OpenCV 在灰度图像上应用不同类型的阈值处理，并使用 Matplotlib 显示处理结果。为了全面理解这段代码，我们需要详细讲解每个步骤，包括阈值函数的不同模式及其对应的效果，以及如何使用 Matplotlib 显示多幅图像。

阈值处理概述

阈值处理是一种简单的图像分割技术，它通过设置一个阈值，将图像的像素值分成两类或多类。

OpenCV 的 cv2.threshold 函数

cv2.threshold 函数的基本调用格式如下：

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

src：源图像，应该是灰度图像。
thresh：阈值。
maxval：最大值，当像素值超过（或低于，根据阈值类型）阈值时将被赋予的值。
type：阈值类型，决定如何应用阈值。

不同的阈值类型

cv2.THRESH_BINARY：像素值大于阈值时赋值为 maxval，否则赋值为 0。
cv2.THRESH_BINARY_INV：像素值大于阈值时赋值为 0，否则赋值为 maxval。
cv2.THRESH_TRUNC：像素值大于阈值时赋值为阈值，否则保持原值。
cv2.THRESH_TOZERO：像素值大于阈值时保持原值，否则赋值为 0。
cv2.THRESH_TOZERO_INV：像素值大于阈值时赋值为 0，否则保持原值。

代码详解

以下是代码逐行解释：

import cv2 import matplotlib.pyplot as plt # 假设 img_gray 是一个灰度图像 img_gray = cv2.imread('path_to_image', cv2.IMREAD_GRAYSCALE) # 阈值处理，五种不同的阈值类型 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) # 标题和处理后的图像列表 titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV'] images = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5] # 使用 Matplotlib 显示图像 for i in range(6): plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray') # 在子图中显示图像

plt.title(titles[i]) # 设置子图标题

plt.xticks([]), plt.yticks([]) # 隐藏坐标轴刻度

plt.show() # 显示所有图像

详细解释

灰度图像读取

：

img_gray = cv2.imread('path_to_image', cv2.IMREAD_GRAYSCALE)

读取一幅灰度图像，用于后续的阈值处理。

应用不同的阈值处理

：

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)

每种阈值处理方法都会生成不同的二值化图像。

准备显示

：

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV'] images = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5]

准备好图像和对应的标题列表，用于在图像显示时使用。

显示图像

：

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()

使用 Matplotlib 的 subplot 函数将图像以2行3列的布局显示，并且设置标题和隐藏坐标轴。

总结

这段代码展示了如何使用 OpenCV 的 cv2.threshold 函数对图像进行不同类型的阈值处理，并使用 Matplotlib 来显示结果。通过这种方式，可以直观地比较不同阈值处理方法的效果。

Matplotlib 是 Python 中最流行的数据可视化库之一，广泛用于科学计算、工程和金融数据的可视化。它提供了一整套功能强大的绘图工具，使用户能够创建各种类型的图表，包括折线图、散点图、柱状图、直方图、饼图等。

Matplotlib 的主要组件

pyplot

模块：

pyplot 是 Matplotlib 的一个模块，提供了一组类似于 MATLAB 的绘图函数。它是最常用的模块，通过导入 matplotlib.pyplot 可以方便地使用各种绘图函数。
常见的绘图函数包括 plt.plot(), plt.scatter(), plt.bar(), plt.hist(), plt.pie() 等。

Figure 和 Axes

：

Figure：表示整个图形或画布。一个 Figure 可以包含多个子图（Axes）。
Axes：实际绘图的区域。一个 Figure 可以包含一个或多个 Axes 对象，每个 Axes 对象可以包含一个或多个图表。

基本使用示例

以下是一个简单的示例，展示如何使用 Matplotlib 创建折线图：

import matplotlib.pyplot as plt # 数据 x = [1, 2, 3, 4, 5] y = [10, 20, 25, 30, 40] # 创建折线图 plt.plot(x, y) # 添加标题和标签 plt.title('Simple Line Plot') plt.xlabel('X-axis') plt.ylabel('Y-axis') # 显示图表 plt.show()

常见图表类型

折线图（Line Plot）

：

plt.plot(x, y)

散点图（Scatter Plot）

：

plt.scatter(x, y)

柱状图（Bar Chart）

：

plt.bar(x, height)

直方图（Histogram）

：

plt.hist(data, bins=10)

饼图（Pie Chart）

：

plt.pie(sizes, labels=labels)

自定义图表

Matplotlib 提供了大量自定义选项，使用户能够对图表进行细致的调整。例如，可以自定义颜色、线型、标记、文本字体、图例位置等。

以下示例展示了如何自定义折线图：

import matplotlib.pyplot as plt # 数据 x = [1, 2, 3, 4, 5] y = [10, 20, 25, 30, 40] # 自定义折线图 plt.plot(x, y, color='red', linestyle='--', marker='o', markersize=8, label='Data Line') # 添加标题和标签 plt.title('Customized Line Plot') plt.xlabel('X-axis') plt.ylabel('Y-axis') # 添加图例 plt.legend() # 显示图表 plt.show()

子图和布局

有时需要在一个 Figure 中显示多个子图，Matplotlib 提供了 subplot 和 subplots 函数来实现这一点。

使用 subplot 函数：

import matplotlib.pyplot as plt # 数据 x = [1, 2, 3, 4, 5] y1 = [10, 20, 25, 30, 40] y2 = [40, 30, 25, 20, 10] # 创建一个 2x1 的子图布局 plt.subplot(2, 1, 1) plt.plot(x, y1) plt.title('Subplot 1') plt.subplot(2, 1, 2) plt.plot(x, y2) plt.title('Subplot 2') # 调整布局和显示图表 plt.tight_layout() plt.show()

使用 subplots 函数：

import matplotlib.pyplot as plt # 数据 x = [1, 2, 3, 4, 5] y1 = [10, 20, 25, 30, 40] y2 = [40, 30, 25, 20, 10] # 创建一个 2x1 的子图布局 fig, axs = plt.subplots(2, 1) axs[0].plot(x, y1) axs[0].set_title('Subplot 1') axs[1].plot(x, y2) axs[1].set_title('Subplot 2') # 调整布局和显示图表 plt.tight_layout() plt.show()

3D 绘图

Matplotlib 还支持3D绘图。使用 mpl_toolkits.mplot3d 模块，可以创建3D图表，如3D散点图和3D曲面图。

import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import numpy as np # 数据 x = np.linspace(-5, 5, 100) y = np.linspace(-5, 5, 100) x, y = np.meshgrid(x, y) z = np.sin(np.sqrt(x**2 + y**2)) # 创建一个 3D 轴对象 fig = plt.figure() ax = fig.add_subplot(111, projection='3d') # 绘制 3D 曲面图 ax.plot_surface(x, y, z, cmap='viridis') # 显示图表 plt.show()