opencvpython实现图像二值化的示例-创新互联
小编给大家分享一下opencv python实现图像二值化的示例,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
创新互联公司主营鲅鱼圈网站建设的网络公司,主营网站建设方案,重庆APP开发,鲅鱼圈h5成都微信小程序搭建,鲅鱼圈网站营销推广欢迎鲅鱼圈等地区企业咨询代码如下
import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 二值图像就是将灰度图转化成黑白图,没有灰,在一个值之前为黑,之后为白 # 有全局和局部两种 # 在使用全局阈值时,我们就是随便给了一个数来做阈值,那我们怎么知道我们选取的这个数的好坏呢?答案就是不停的尝试。 # 如果是一副双峰图像(简 单来说双峰图像是指图像直方图中存在两个峰)呢? # 我们岂不是应该在两个峰之间的峰谷选一个值作为阈值?这就是 Otsu 二值化要做的。 # 简单来说就是对 一副双峰图像自动根据其直方图计算出一个阈值。 # (对于非双峰图像,这种方法 得到的结果可能会不理想)。 def threshold_demo(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 这个函数的第一个参数就是原图像,原图像应该是灰度图。 # 第二个参数就是用来对像素值进行分类的阈值。 # 第三个参数就是当像素值高于(有时是小于)阈值时应该被赋予的新的像素值 # 第四个参数来决定阈值方法,见threshold_simple() # ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY | cv.THRESH_OTSU) print("threshold value: %s"%ret) cv.imshow("threshold_demo", binary) def threshold_simple(image): img = cv.cvtColor(image, cv.COLOR_BGR2GRAY) ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY) ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV) ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC) ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO) ret, thresh6 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV) titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV'] images = [img, thresh2, thresh3, thresh4, thresh5, thresh6] for i in range(6): plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray') # 将图像按2x3铺开 plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show() # 在前面的部分我们使用是全局阈值,整幅图像采用同一个数作为阈值。 # 当时这种方法并不适应与所有情况,尤其是当同一幅图像上的不同部分的具有不同亮度时。 # 这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的 每一个小区域计算与其对应的阈值。 # 因此在同一幅图像上的不同区域采用的是不同的阈值,从而使我们能在亮度不同的情况下得到更好的结果。 # 这种方法需要我们指定三个参数,返回值只有一个 # _MEAN_C:阈值取自相邻区域的平均值,_GAUSSIAN_C:阈值取值相邻区域 的加权和,权重为一个高斯窗口。 # Block Size - 邻域大小(用来计算阈值的区域大小)。 # C - 这就是是一个常数,阈值就等于的平均值或者加权平均值减去这个常数。 def threshold_adaptive(image): img = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 中值滤波 img = cv.medianBlur(img,5) ret, th2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY) # 11 为 Block size, 2 为 C 值 th3 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2) th4 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2) titles = ['Original Image', 'Global Threshold (v = 127)', 'Adaptive Mean Threshold', 'Adaptive Gaussian Threshold'] images = [img, th2, th3, th4] for i in range(4): plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show() def threshold_custom(image): gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) h, w = gray.shape[:2] m = np.reshape(gray, [1, w*h]) mean = m.sum() / (w*h) # 求出整个灰度图像的平均值 print("mean:", mean) ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY) cv.imshow("threshold_custom", binary) # 将大图片拆分成小图片后再用自适应局部阈值比较好 def big_image_demo(image): print(image.shape) cw = 200 ch = 200 h, w = image.shape[:2] gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) cv.imshow("big_image_demo_gray", gray) # 将一张图片每隔ch * cw分成一份 for row in range(0, h, ch): for col in range(0, w, cw): roi = gray[row:row+ch, col:col+cw] dst = cv.adaptiveThreshold(roi, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 127, 2) gray[row:row + ch, col:col + cw] = dst print(np.std(dst), np.mean(dst)) cv.imwrite("../images/result_big_image.png", gray) def main(): img = cv.imread("../images/02.jpg") # threshold_demo(img) # threshold_simple(img) # threshold_adaptive(img) # threshold_custom(img) src = cv.imread("../images/big_image.jpg") big_image_demo(src) cv.waitKey(0) # 等有键输入或者1000ms后自动将窗口消除,0表示只用键输入结束窗口 cv.destroyAllWindows() # 关闭所有窗口 if __name__ == '__main__': main()
以上是“opencv python实现图像二值化的示例”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注创新互联成都网站设计公司行业资讯频道!
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
网页题目:opencvpython实现图像二值化的示例-创新互联
分享网址:http://scyanting.com/article/hojph.html