图像的基本运算——阈值化处理

图像的基本运算——阈值化处理

图像阈值化处理有五种方式：二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。如图所示，上面的图为原始图像像素分布，下面五种分别是阈值化处理后的像素分布图。

1. 二进制阈值化

   #假设阈值为127
   r, b = cv2.threshold(a,127,255,cv2.THRESH_BINARY)#一定要用灰度图像
   

2. 反二进制阈值化

   #假设阈值为127
   r, c = cv2.threshold(a,127,255,cv2.THRESH_BINARY_INV)
   

3. 截断阈值化

   #假设阈值为127
    r, c = cv2.threshold(a,127,255,cv2.THRESH_TRUNC)
   

4. 反阈值化为0

#假设阈值为127
r, b = cv2.threshold(a,127,255,THRESH_TOZERO_INV)

5. 阈值化为0

#假设阈值为127
r, b = cv2.threshold(a,127,255,THRESH_TOZERO_INV)

示例：

import cv2
a = cv2.imread("image\\lena512.bmp",cv2.IMREAD_UNCHANGED)
#原始图像的类型，必须是8位单通道图像，彩色图像无意义
r, b = cv2.threshold(a,127,255,cv2.THRESH_TOZERO_INV)#一定要用灰度图像
r, c = cv2.threshold(a,127,255,cv2.THRESH_TRUNC)
cv2.imshow("a",a)
cv2.imshow("b",b)
cv2.imshow("c",c)
cv2.waitKey()
cv2.destroyAllWindows()

以上阈值化的方法是选定一个阈值来处理，阈值化处理我们还可以通过一个阈值范围来调整图像，这里给大家分享一个项目案例：

import cv2
import numpy as np
def empty(a):
    pass
a = cv2.imread("imag",cv2.IMREAD_UNCHANGED)
b = cv2.cvtColor(a,cv2.COLOR_BGR2GRAY)
cv2.namedWindow("tracking")
cv2.createTrackbar("l_T","tracking",0,255,empty)
cv2.createTrackbar("u_T","tracking",255,255,empty)
while True:
    l_T = cv2.getTrackbarPos("l_T", "tracking")
    u_T = cv2.getTrackbarPos("u_T", "tracking")
    _,mask=cv2.threshold(b,l_T,u_T,cv2.THRESH_BINARY)
    cv2.imshow("orignial",b)
    cv2.imshow('mask',mask)
    key = cv2.waitKey(1)  # Esc键
    if key == 27:
        break
cv2.destroyAllWindows()

效果展示：