超大图像的二值化方法
1.可以采用分块方法,
2.先缩放处理就行二值化,然后还原大小
一:分块处理超大图像的二值化问题
def big_image_binary(image):
print(image.shape) #(4208, 2368, 3) #超大图像,屏幕无法显示完整
cw,ch = 256,256
h,w = image.shape[:2]
gray = cv.cvtColor(image,cv.COLOR_RGB2GRAY) #要二值化图像,要先进行灰度化处理
for row in range(0,h,ch):
for col in range(0,w,cw):
roi = gray[row:row+ch,col:col+cw] #获取分块
# ret,binary = cv.threshold(roi,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU) #全局阈值
binary = cv.adaptiveThreshold(roi,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,127,20) #局部阈值
gray[row:row + ch, col:col + cw] = binary #分块覆盖
print(np.std(binary),np.mean(binary))
cv.imwrite("binary2.jpg",gray)
(一)全 局阈值处理
ret,binary = cv.threshold(roi,
0,
255,cv.THRESH_BINARY|cv.THRESH_OTSU) #全局阈值
(二)局部阈值(更好)
binary = cv.adaptiveThreshold(roi,
255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,
127,
20) #局部阈值
二:空白区域过滤
def big_image_binary(image):
print(image.shape) #(4208, 2368, 3)
cw,ch = 128,128
h,w = image.shape[:2]
gray = cv.cvtColor(image,cv.COLOR_RGB2GRAY) #要二值化图像,要先进行灰度化处理
for row in range(0,h,ch):
for col in range(0,w,cw):
roi = gray[row:row+ch,col:col+cw] #获取分块
dev = np.std(roi)
avg = np.mean(roi)
if dev < 15 and avg > 200: #满足条件,接近空白区域,让他变黑
gray[row:row + ch, col:col + cw] = 0 #全部都赋值为0
else:
ret,binary = cv.threshold(roi,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
gray[row:row + ch, col:col + cw] = binary
print(np.std(binary), np.mean(binary))
cv.imwrite("binary.jpg",gray)
相关知识补充
(一)numpy中相关方法介绍
numpy mean()用法返回数组元素的平均值
(二)空白图像的过滤(当我们确认该区域为空白图像,可以不作处理,不进行二分处理)
print(np.std(binary),np.mean(binary))
通过上面获取图像的标准差和平均值,当标准差为0,平均值为255时,代表该区域为空白区域
我们可以将该空白区域(或者满足一定条件的区域),直接设置为0或者255或者其他想要获取的图像,不需要进行多余的阈值二分