Python 官方文档：入门教程 => 点击学习
目录前言阈值技术简介简单的阈值技术阈值类型简单阈值技术的实际应用前言 图像分割是许多计算机视觉应用中的关键处理步骤，通常用于将图像划分为不同的区域，这些区域常常对应于真实世界的对象。
图像分割是许多计算机视觉应用中的关键处理步骤，通常用于将图像划分为不同的区域，这些区域常常对应于真实世界的对象。因此，图像分割是图像识别和内容分析的重要步骤。图像阈值是一种简单、有效的图像分割方法，其中像素根据其强度值进行分区。在本文中，将介绍 OpenCV 所提供的主要阈值技术，可以将这些技术用作计算机视觉应用程序中图像分割的关键部分。
阈值处理是一种简单、有效的将图像划分为前景和背景的方法。图像分割通常用于根据对象的某些属性(例如，颜色、边缘或直方图)从背景中提取对象。最简单的阈值方法会利用预定义常数(阈值)，如果像素强度小于阈值，则用黑色像素替换，如果像素强度大于阈值，则用白色像素替换。OpenCV 提供了 cv2.threshold() 函数来对图像进行阈值处理。
为了测试 cv2.threshold() 函数，首次创建测试图像，其包含一些填充了不同的灰色调的大小相同的区域，利用 build_sample_image() 函数构建此测试图像：
def build_sample_image():
"""创建填充了不同的灰色调的大小相同的区域，作为测试图像"""
# 定义不同区域
tones = np.arange(start=50, stop=300, step=50)
# 初始化
result = np.zeros((50, 50, 3), dtype="uint8")
for tone in tones:
img = np.ones((50, 50, 3), dtype="uint8") * tone
# 沿轴连接数组
result = np.concatenate((result, img), axis=1)
return result接下来将使用不同的预定义阈值： 0 、 50 、 100 、 150 、 200 和 250 调用 cv2.threshold() 函数，以查看不同预定义阈值对阈值图像影响。例如，使用阈值 thresh = 50 对图像进行阈值处理：
ret1, thresh1 = cv2.threshold(gray_image, 50, 255, cv2.THRESH_BINARY)其中，thresh1 是仅包含黑白色的阈值图像。源图像 gray_image 中灰色强度小于 50 的像素为黑色，强度大于 50 的像素为白色。
使用多个不同阈值对图像进行阈值处理：
# 可视化函数
def show_img_with_matplotlib(color_img, title, pos):
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(7, 1, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=8)
plt.axis('off')
# 使用 build_sample_image() 函数构建测试图像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
for i in range(6):
# 使用多个不同阈值对图像进行阈值处理
ret, thresh = cv2.threshold(gray_image, 50 * i, 255, cv2.THRESH_BINARY)
# 可视化
show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".fORMat(i * 50), i + 2)
# 可视化测试图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img with tones of gray - left to right: (0,50,100,150,200,250)", 1)
# 图像进行阈值处理后，常见的输出是黑白图像
# 因此，为了更好的可视化效果，修改背景颜色
fig.patch.set_facecolor('silver')
plt.show()
从上图可以看出，根据阈值和样本图像灰度值的不同，阈值处理后生成的黑白图像的变化情况。
上一节中，我们已经简单介绍过了 OpenCV 中提供的简单阈值处理函数——cv2.threshold()，该函数用法如下：
cv2.threshold(src, thresh, maxval, type, dst=None) -> retval, dstcv2.threshold() 函数对 src 输入数组(可以为单通道或多通道图像)应用预定义常数 thresh 设置的阈值；type 参数用于设置阈值类型，阈值类型的可选值如下：cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO、cv2.THRESH_TOZERO_INV、cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE。
maxval 参数用于设置最大值，其仅在阈值类型为 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 时有效；需要注意的是，在阈值类型为 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 时，输入图像 src 应为为单通道。
为了更好的了解阈值操作的不同类型，接下来给出每种阈值类型的具体公式。符号说明：src 是源(原始)图像，dst 对应于阈值化后的目标(结果)图像，因此，src(x, y) 对应于源图像像素 (x, y) 处的强度，而 dst(x, y) 对应于目标图像像素 (x, y) 处的强度。
阈值类型 cv2.THRESH_BINARY 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度 dst(x,y) 将被设为 maxval；否则，设为 0。
阈值类型 cv2.THRESH_BINARY_INV 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度 dst(x,y) 将被设为 0；否则，设为 maxval。
阈值类型 cv2.THRESH_TRUNC 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度设置为 threshold；否则，设为 src(x, y)。
阈值类型 cv2.THRESH_TOZERO 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素值将设置为 src(x, y)；否则，设置为 0 。
阈值类型 cv2.THRESH_TOZERO_INV 公式如下：
其表示，如果像素 src(x, y) 的强度大于 thresh，则目标图像像素值将设置为 0；否则，设置为 src(x, y)。
而 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 属于特殊的阈值类型，它们可以与上述阈值类型( cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV)进行组合。组合后，阈值处理函数 cv2.threshold() 将只能处理单通道图像，且计算并返回最佳阈值，而非指定阈值。
接下来使用不同阈值类型对同样的测试图像进行阈值处理，观察不同阈值处理效果：
ret1, thresh1 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY)
ret2, thresh2 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY)
ret3, thresh3 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY_INV)
ret4, thresh4 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY_INV)
ret5, thresh5 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TRUNC)
ret6, thresh6 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TOZERO)
ret7, thresh7 = cv2.threshold(gray_image,100,255, cv2.THRESH_TOZERO_INV)
# 可视化
show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 255", 2)
show_img_with_matplotlib(cv2.cvtColor(thresh2, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 220", 3)
show_img_with_matplotlib(cv2.cvtColor(thresh3, cv2.COLOR_GRAY2BGR), "THRESH_BINARY_INV - thresh = 100", 4)
# 其他图像可视化方法类似，不再赘述
# ...
如上图所示，maxval 参数仅在使用 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 阈值类型时有效，上例中将 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 类型的 maxval 值设置为 255 及 220，以便查看阈值图像在这两种情况下的变化情况。
了解 cv2.threshold() 不同参数的工作原理后，我们将 cv2.threshold() 应用于真实图像，并使用不同的阈值：
# 加载图像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 绘制灰度图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)
# 使用不同的阈值调用 cv2.threshold() 并进行可视化
for i in range(8):
ret, thresh = cv2.threshold(gray_image, 130 + i * 10, 255, cv2.THRESH_BINARY)
show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(130 + i * 10), i + 2)
--结束END--
本文标题: PythonOpenCV阈值处理详解
本文链接: https://lsjlt.com/news/138426.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-03-01
2024-03-01
2024-03-01
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
2024-02-29
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
官方手机版
微信公众号
商务合作
0