13、图像二值化

二值，即0和1，其实是灰度图像的0~255的简版，0表示白色，1表示黑色

图像二值化方法：全局阈值，局部阈值

image.png

全局阈值

一、OTSU

def threshold_funtion(image):
    '''
        全局阈值    
    '''
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    print("阈值：%s"%ret)
    cv.imshow("OTSU",binary)

阈值：185.0

---

二、Triangle（多用于直方图只有单个波峰的图像，如细胞）

ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE)

阈值：249.0

---

三、自定义全局阈值

ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) 
#阈值为127，但后面不能再加上OTSU，或者Triangle

image.png

ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)
#cv.THRESH_BINARY_INV：黑白调换

image.png

局部阈值（自适应阈值）

一、C mean自适应，将图像分成一个个小方格，然后每个方格的均值与自定义的均值比较。

def local_threshold_function(image):
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

    '''
        cv.adaptiveThreshold:
            blockSize = 25，即自定义阈值，必须是基数
            C = 10，即每个方格的均值减去自定义均值大于10，即为白色；否则为黑色
    '''
    binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 127, 10)
    cv.imshow("C Mean", binary)

blockSize = 25

blockSize = 127

---

二、高斯自适应，需要有高斯权重，越中心，权重越大

binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)
cv.imshow("GAUSSIAN Mean", binary)

高斯Mean

可用于识别文字

image.png

2019-01-05 22-49-10 的屏幕截图.png