OpenCV学习过程(2)

目录

1.图像阈值

2.图像平滑

---

1.图像阈值

res,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

1.首先读取一张图片，并转为灰度图片

import cv2 
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline 

img=cv2.imread('image/cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

2.代入，输出图像

一些超过阈值，取255的为白色，取0的为黑色

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)  #创建一个两行三列的网格，i用来确定图片的位置
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

2.图像平滑

图像平滑分为均值滤波，方框滤波，高斯滤波，和中值滤波。

• 均值滤波：卷积核与图像中的值进行内积，再除以卷积核的大小
• 方框滤波：与均值滤波相比，不用除以卷积核的大小即可。但容易超255.
• 高斯滤波：类似高斯分布，与中间值越近，效果越好。高斯模糊的卷积核里的数值是满足高斯分布的，相当于更重视中间的。
• 中值滤波：将所有值从小到大进行排列，寻找中间的值

读取一张带有白色点缀的图片

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

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

均值滤波：

blur = cv2.blur(img, (3, 3))

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

方框滤波：

box = cv2.boxFilter(img,-1,(3,3), normalize=False)  #-1表示输出图像的深度与输入图像相同

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

可以看到这张图片中白色占了大部分，说明方框滤波很容易越界255 

高斯滤波：

aussian = cv2.GaussianBlur(img, (5, 5), 1)  #1为标准差

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

中值滤波：

median = cv2.medianBlur(img, 5)  # 中值滤波

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

展示除方框滤波的所有图片

res = np.hstack((blur,aussian,median))  #横向展示图片，np.vstack纵向展示
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

从上面三张图片可以看到中值滤波的效果最好。