python + openCV图像处理（四）

引言

此系列博客记录 网易云课堂 python + openCV图像处理课程的学习过程。

本篇博客将介绍 阈值分割、图像平滑处理 两大部分。

---

示例图片

xiaoxin.png

---

代码

1、阈值分割

原理：

import cv2

a = cv2.imread(r"C:\workspace\python\openCV\xiaoxin.png",cv2.IMREAD_UNCHANGED)
r,b = cv2.threshold(a,127,255,cv2.THRESH_BINARY) # 二进制阈值化
r,b = cv2.threshold(a,127,255,cv2.THRESH_BINARY_INV) # 反二进制阈值化
r,b = cv2.threshold(a,127,255,cv2.THRESH_TRUNC) # 截断阈值化
r,b = cv2.threshold(a,127,255,cv2.THRESH_TOZERO_INV) # 反阈值化为0
r,b = cv2.threshold(a,127,255,cv2.THRESH_TOZERO) # 阈值化为0

cv2.imshow("a",a) 
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

r,b = cv2.threshold(src,thresh,maxval,type)

其中，r 表示阈值，与 thresh 相等，b 是阈值化的返回结果，src 是目标图像，thresh 是阈值，maxval 是最大值，type 是类型

执行效果图：

①二进制阈值化：黑的更黑，亮的更亮

②反二进制阈值化：黑的变亮，亮的变黑

③截断阈值化：整体变暗

④阈值化为0：黑的更黑

⑤反阈值化为0：亮的变黑

---

2、图像平滑处理

• 均值滤波

原理：

import cv2

a = cv2.imread(r"C:\workspace\python\openCV\xiaoxin.png",cv2.IMREAD_UNCHANGED)
# b = cv2.blur(a,(5,5)) # 核为 5行5列
b = cv2.blur(a,(100,100)) # 核为 100行100列

cv2.imshow("a",a) 
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

blur(a,(x,y)) - a 是目标图像 ，x 和 y 分别代表核的行列数

效果图：

①核为 5行5列

②核为 100行100列

---

• 方框滤波

原理：

import cv2

a = cv2.imread(r"C:\workspace\python\openCV\xiaoxin.png",cv2.IMREAD_UNCHANGED)
b = cv2.boxFilter(a,-1,(2,2),normalize = 1) # 进行归一化，与均值滤波相同
# b = cv2.boxFilter(a,-1,(2,2),normalize = 0) # 不进行归一化，所有值接近255

cv2.imshow("a",a) 
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

boxFilter(a,d,(x,y),normalize = 1)

其中，a 是目标图像， d 是目标图像的深度 ， x 和 y 分别代表核的行列数，normalize 代表是否对目标结果进行归一化处理

效果图：

①进行归一化，与均值滤波相同

②不进行归一化，所有值均接近255

---

• 高斯滤波

原理：

import cv2

a = cv2.imread(r"C:\workspace\python\openCV\xiaoxin.png",cv2.IMREAD_UNCHANGED)
b = cv2.GaussianBlur(a,(5,5),0) # 高斯滤波

cv2.imshow("a",a) 
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

效果图：

---

• 中值滤波

原理：

import cv2

a = cv2.imread(r"C:\workspace\python\openCV\xiaoxin.png",cv2.IMREAD_UNCHANGED)
b = cv2.medianBlur(a,99) 

cv2.imshow("a",a) 
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

效果图：