python对参数二值化处理_python-opencv 图像二值化,自适应阈值处理

定义:图像的二值化,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。

一幅图像包括目标物体、背景还有噪声,要想从多值的数字图像中直接提取出目标物体,常用的方法就是设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法,称为图像的二值化(Binarization)。

简单的阈值-(全局阈值):

Python-OpenCV中提供了阈值(threshold)函数:

cv2.threshold()

函数:第一个参数       src            指原图像,原图像应该是灰度图。

第二个参数         x              指用来对像素值进行分类的阈值。

第三个参数         y              指当像素值高于(有时是小于)阈值时应该被赋予的新的像素值

第四个参数     Methods     指,不同的不同的阈值方法,这些方法包括:

•cv2.THRESH_BINARY             图(1)

•cv2.THRESH_BINARY_INV      图(2)

•cv2.THRESH_TRUNC              图(3)

•cv2.THRESH_TOZERO            图(4)

•cv2.THRESH_TOZERO_INV      图(5)

破折线为将被阈值化的值;虚线为阈值

图(1)

大于阈值的像素点的灰度值设定为最大值(如8位灰度值最大为255),灰度值小于阈值的像素点的灰度值设定为0。

图(2)

大于阈值的像素点的灰度值设定为0,而小于该阈值的设定为255。

图(3)

像素点的灰度值小于阈值不改变,大于阈值的灰度值的像素点就设定为该阈值。

图(4)

像素点的灰度值小于该阈值的不进行任何改变,而大于该阈值的部分,其灰度值全部变为0。

图(5)

像素点的灰度值大于该阈值的不进行任何改变,像素点的灰度值小于该阈值的,其灰度值全部变为0。

Python+opencv代码:

import cv2

import numpyasnpfrom matplotlib import pyplot asplt

img= cv2.imread('1.bmp')

GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 中值滤波

GrayImage= cv2.medianBlur(GrayImage,5)

ret,th1= cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)

#3为Block size, 5为param1值

th2= cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\

cv2.THRESH_BINARY,3,5)

th3= cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\

cv2.THRESH_BINARY,3,5)

titles= ['Gray Image', 'Global Thresholding (v = 127)','Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']

images=[GrayImage, th1, th2, th3]for i in xrange(4):

plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')

plt.title(titles[i])

plt.xticks([]),plt.yticks([])

plt.show()

效果图:

自适应阈值:

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。

cv2.adaptiveThreshold()

函数:第一个参数          src                  指原图像,原图像应该是灰度图。

第二个参数            x                    指当像素值高于(有时是小于)阈值时应该被赋予的新的像素值

第三个参数  adaptive_method  指: CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C

第四个参数    threshold_type    指取阈值类型:必须是下者之一                                                                                                                                                                                                                                                                •  CV_THRESH_BINARY,

• CV_THRESH_BINARY_INV

第五个参数    block_size           指用来计算阈值的象素邻域大小: 3, 5, 7, ...

第六个参数          param1           指与方法有关的参数。对方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C, 它是一个从均值或加权均值提取的常数, 尽管它可以是负数。

自适应阈值:  对方法CV_ADAPTIVE_THRESH_MEAN_C,先求出块中的均值,再减掉param1。

对方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ,先求出块中的加权和(gaussian), 再减掉param1。

例如:

采用方法 CV_ADAPTIVE_THRESH_MEAN_C,阈值类型:CV_THRESH_BINARY,  阈值的象素邻域大小 block_size 选取3,参数param1  取3和5时:

部分原图像像素值                                                                                              当参数param1为5时

部分原图像像素值                                                                                                当参数param1为7时

选取对应领域(3*3)求其均值,然后减去参数param1的值为自适应阈值。测试时求得均值为小数时,貌似进行四舍五入之后再减去参数param1。(可能是我没测试准确,无聊时测试一下,共同学习)

Python+opencv代码:

import cv2

import numpyasnpfrom matplotlib import pyplot asplt

img= cv2.imread('1.bmp')

GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 中值滤波

GrayImage= cv2.medianBlur(GrayImage,5)

ret,th1= cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)

#3为Block size, 5为param1值

th2= cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\

cv2.THRESH_BINARY,3,5)

th3= cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\

cv2.THRESH_BINARY,3,5)

titles= ['Gray Image', 'Global Thresholding (v = 127)','Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']

images=[GrayImage, th1, th2, th3]for i in xrange(4):

plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')

plt.title(titles[i])

plt.xticks([]),plt.yticks([])

plt.show()

效果图:

你可能感兴趣的:(python对参数二值化处理)