Python-OpenCV入门(5)-阈值与平滑处理

随着人工智能的不断发展，OpenCV这门技术也越来越重要，很多人都开启了学习OpenCV，本文就介绍了OpenCV的基础内容。

阈值处理

定义：指剔除图像内像素值高于一定值或者低于一定值的像素点
例如，设定阈值为127，然后：

将图像内所有像素值大于127的像素点的值设为255。
将图像内所有像素值小于或等于127的像素点的值设为0。

平滑处理

定义：将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。图像平滑处理的方法有很多，比如均值滤波，方框滤波，高斯滤波，中值滤波，双边滤波。

本片文章的目标:

1. 能够使用相关函数实现图像阈值处理
2. 能够根据图像选择适合的方法进行阈值处理
3. 能够使用相关函数实现图像平滑处理
4. 能使用滑块进行平滑处理

01
阈值处理

热身：如何用像素级操作，将图像像素值小于180的设置为黑色，大于等于180的的像素值设置为白色

import cv2
img = cv2.imread("kdx.jpg",0)
h,w = img.shape
for i in range(h):
    for j in range(w):
        if img[i,j]<180:
            img[i,j]=0
        else:
            img[i,j]=255
cv2.imshow("binary",img)
cv2.imwrite("1.png",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

OpenCV提供了函数cv2.threshold（）和函数cv2.adaptiveThreshold（），用于实现阈值处理。

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： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；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

import cv2
import numpy as np
#from matplotlib import pyplot as plt

peppa = cv2.imread('kdx.jpg')
img=cv2.cvtColor(peppa,cv2.COLOR_BGR2GRAY)
cv2.imshow('Peppa',img)
ret,thresh1 = cv2.threshold(img,200,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,200,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,200,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('BINARY',thresh1)
cv2.imshow('BINARY_INV',thresh2)
# cv2.imshow('TRUNC',thresh3)
# cv2.imshow('TOZERO',thresh4)
# cv2.imshow('TOZERO_INV',thresh5)
cv2.imwrite("1.jpg",thresh1)
cv2.imwrite("2.jpg",thresh2)
cv2.imwrite("3.jpg",thresh3)
cv2.imwrite("4.jpg",thresh4)
cv2.imwrite("5.jpg",thresh5)
peppa_body=cv2.bitwise_and(peppa,peppa,mask=thresh2)
cv2.imshow('peppa_body',peppa_body)
cv2.waitKey()
cv2.destroyAllWindows()

import cv2
Type=0  #阈值处理类型值
Value=0 #使用的阈值
def onType(a):
    Type= cv2.getTrackbarPos(tType, windowName)
    Value= cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value,255, Type) 
    cv2.imshow(windowName,dst)
    
def onValue(a):
    Type= cv2.getTrackbarPos(tType, windowName)
    Value= cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value, 255, Type) 
    cv2.imshow(windowName,dst)

img = cv2.imread("kdx.jpg",0)
windowName = "Kdx"  #窗体名
cv2.namedWindow(windowName,cv2.WINDOW_NORMAL)
cv2.imshow(windowName,img)
#创建两个滑动条
tType = "Type"  #用来选取阈值处理类型的滚动条
tValue = "Value"    #用来选取阈值的滚动条
cv2.createTrackbar(tType, windowName, 0, 4, onType)
cv2.createTrackbar(tValue, windowName,0, 255, onValue) 
cv2.waitKey()
cv2.destroyAllWindows()

自适应阈值

定义：使用变化的阈值完成对图像的阈值处理。

操作：通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。

目的：保留了更多的细节信息

dst=cv.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C）

maxValue代表最大值。
adaptiveMethod代表自适应方法。
thresholdType 代表阈值处理方式，该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV中的一个。
blockSize代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为3、5、7等。
C是常量。

img=cv2.imread('kdx.jpg',0)
athdMEAN=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,7,5)
athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3)
cv2.imshow("athMEAN",athdMEAN)
cv2.imshow("athGAUS",athdGAUS)
cv2.imwrite("6.jpg",athdMEAN)
cv2.imwrite("7.jpg",athdGAUS)
cv2.waitKey(0)
cv2.destroyAllWindows()

Otsu阈值处理

定义：根据当前图像给出最佳的类间分割阈值。
操作：遍历所有可能阈值，从而找到最佳的阈值。

t,otsu=cv2.threshold（img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU）

img=cv2.imread('kdx.jpg',0)
ret,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
cv2.imshow("otsu",otsu)
cv2.imwrite("9.jpg",otsu)
cv2.waitKey(0)
cv2.destroyAllWindows()

02
平滑处理

模糊处理

理解卷积概念

卷积：将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。

import numpy as np
img = cv2.imread("kdx.jpg")
blur = cv2.blur(img, (7, 7))
box = cv2.boxFilter(img,-1,(7,7), normalize=True)  
gaussian = cv2.GaussianBlur(img, (7, 7), 10) 
median = cv2.medianBlur(img, 7)
bilater=cv2.bilateralFilter(img,9,75,75)
kernel = np.array((
        [-2, -1, 0],
        [-1,1,1],
        [0, 1, 2]), dtype="float32")
filter2D=cv2.filter2D(img,-1,kernel)#https://my.oschina.net/u/4306156/blog/3598055
# cv2.imshow('img',img)
cv2.imshow('blur',blur)
cv2.imshow('box',box)
cv2.imshow('gaussian',gaussian)
cv2.imshow('median',median)
cv2.imshow('bilater',bilater)
cv2.imshow('filter2D',filter2D)
cv2.imwrite("10.jpg",blur)
cv2.imwrite("11.jpg",box)
cv2.imwrite("12.jpg",gaussian)
cv2.imwrite("13.jpg",median)
cv2.imwrite("14.jpg",bilater)
cv2.imwrite("15.jpg",filter2D)
cv2.waitKey()
cv2.destroyAllWindows()

03
拓展练习-阈值滑块

拓展练习：参照任务二 完成中值滤波的滑块调整

import cv2
Value=0 #使用的阈值
def onValue(a):
    Value= cv2.getTrackbarPos(tValue, windowName)
    median = cv2.medianBlur(img, 2*Value+1) 
    cv2.imshow(windowName,median)
    
img = cv2.imread("kdx.jpg",0)
windowName = "Kdx"  
cv2.namedWindow(windowName,cv2.WINDOW_GUI_NORMAL)
cv2.imshow(windowName,img)
tValue = "Value"
v=cv2.createTrackbar(tValue, windowName,1, 100, onValue)
cv2.waitKey()
cv2.destroyAllWindows()

04
总结

本次主要介绍了图像的阈值处理与平滑处理，简单的介绍了OpenCV中各种滤波和通过滑块实时调整值，这能使我们快速便捷地处理图像。图像平滑处理就是在尽量保留图像原有信息的情况下，过滤掉图像内部的噪声，我们可以通过平滑处理方法获得我们想要的效果。

好啦，本次的内容到这里就结束了，我们主要是为了学会运用函数，如果想要更深入的了解还得继续深入，如有错误请见谅，可以和孔哥一起探讨。

点个关注不迷路
觉得孔哥写的对你有帮助？请分享给更多的人
欢迎一起学习！博客平台同步发布，请搜索——和孔哥一起学

版权声明：

作者： 和孔哥一起学

导师：Fu Xianjun

本文版权归作者导师共有，欢迎转载，但未经作者同意必须在文章页面注明来源及原作者或原文链接，否则保留追究法律责任的权利。