OpenCV图像处理应用（面向Python）之阈值与平滑处理

欢迎来到梁老湿课堂

版权声明：
作者：OpenCV小课堂
导师：Fu Xianjun
本文版权归作者导师共有，欢迎转载，但未经作者同意必须在文章页面注明来源及原作者或原文链接，否则保留追究法律责任的权利。

1.阈值处理

定义：
指剔除图像内像素值高于一定值或者低于一定值的像素点
OpenCV提供了cv2.threshold()和cv2.adaptiveThreshold用于实现阈值处理
1.ret, dst = cv2.threshold(src, thresh, maxval, type)
ret：代表返回的阈值。
src：原图，可以是多通道的，8位或32位浮点型数值。
dst： 输出图。
thresh：要设定的阈值。
maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值。
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； 二值化cv2.THRESH_BINARY_INV； 反二值化cv2.THRESH_TRUNC； 截断阈值处理cv2.THRESH_TOZERO；低阈值零处理cv2.THRESH_TOZERO_INV；超阈值零处理
cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV THRESH_BINARY的反转
cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

import cv2
peppa = cv2.imread('peppa.jpg')
img=cv2.cvtColor(peppa,cv2.COLOR_BGR2GRAY)
cv2.imshow('Peppa',img)
ret,thresh1 = cv2.threshold(img,200,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,200,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,200,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO_INV)
cv2.imshow('BINARY',thresh1)
cv2.imshow('BINARY_INV',thresh2)
cv2.imshow('TRUNC',thresh3)
cv2.imshow('TOZERO',thresh4)
cv2.imshow('TOZERO_INV',thresh5)
peppa_body=cv2.bitwise_and(peppa,peppa,mask=thresh2)
cv2.imshow('peppa_body',peppa_body)
cv2.waitKey()
cv2.destroyAllWindows()

2.自适应阈值处理
定义：
使用变化的阈值完成对图像的阈值处理。
操作：
通过计算每个像素点周围临近区域的加权平均值获得阈值，并使用该阈值对当前像素点进行处理。
目的：
保留更多的细节信息。
2.1 det=cv2.adaptiveThreshold(src,maxValue,adapptiveMethod,thesholdType,blockSize,c)
dst：代表自适应阈值处理结果。
src：代表要进行处理的原始图像。注意：图像必须是8位单通道的图像。
maxValue：代表最大值。
adaptiveMethod：代表自适应方法。
thresholdType：代表阈值处理方式，该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV中的一个。
blockSize：代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为3、5、7等。
C是常量。
cv2.threshold()和cv2.adaptiveThreshold两者之间的差别之效果图

3.Otsu大津处理
定义：
根据当前图像给出最佳的类间分割阈值。
操作：
遍历所有可能阈值，从而找到最佳的阈值。
3.1
t,otsu=cv2.threshold（img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU）
和普通阈值分割的不同之处在于以下三点：
1.
参数type增加了一个参数值"cv2.THRESH_OTSU"。
2.
设定的阈值为0。
3.
返回值t是Otsu方法计算得到并使用的最优阈值
注意点：
如果采用普通的阈值分割，返回的阈值就是设定的阈值。例如下面语句设定阈值为127，所以最终返回的就是t=127。
t,thd=cv2.threshold(img,127,255,cv2.THRESH_BINARY)

2.使用滑块调整阈值大小

import cv2

Type = 0  # 阈值处理类型值
Value = 0  # 使用的阈值

def onType(a):
    Type = cv2.getTrackbarPos(tType, windowName)
    Value = cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value, 255, Type)
    cv2.imshow(windowName, dst)

def onValue(a):
    Type = cv2.getTrackbarPos(tType, windowName)
    Value = cv2.getTrackbarPos(tValue, windowName)
    ret, dst = cv2.threshold(img, Value, 255, Type)
    cv2.imshow(windowName, dst)

img = cv2.imread("peppa.jpg", 0)
windowName = "Peppa"  # 窗体名
cv2.namedWindow(windowName)
cv2.imshow(windowName, img)
# 创建两个滑动条
tType = "Type"  # 用来选取阈值处理类型的滚动条
tValue = "Value"  # 用来选取阈值的滚动条
cv2.createTrackbar(tType, windowName, 0, 4, onType)
cv2.createTrackbar(tValue, windowName, 0, 255, onValue)
cv2.waitKey(0)
cv2.destroyAllWindows()

openCV使用滑块调整大小

3.平滑处理

基本原理：
将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。
目的：
去除图像内部噪声
3.1 均值滤波

3.2 方框滤波

3.3高斯滤波

3.4中值滤波

3.5双边滤波

3.6 2D卷积

import cv2
import numpy as np
img = cv2.imread("peppa_gaussian.jpg")
blur = cv2.blur(img, (7, 7))
box = cv2.boxFilter(img,-1,(7,7), normalize=True)  
gaussian = cv2.GaussianBlur(img, (7, 7), 10) 
median = cv2.medianBlur(img, 7)
bilater=cv2.bilateralFilter(img,9,75,75)
kernel = np.array((
        [-2, -1, 0],
        [-1,1,1],
        [0, 1, 2]), dtype="float32")
filter2D=cv2.filter2D(img,-1,kernel)#https://my.oschina.net/u/4306156/blog/3598055
cv2.imshow('img',img)
cv2.imshow('blur',blur)
cv2.imshow('box',box)
cv2.imshow('gaussian',gaussian)
cv2.imshow('median',median)
cv2.imshow('bilater',bilater)
cv2.imshow('filter2D',filter2D)
cv2.waitKey()
cv2.destroyAllWindows()

效果如下：

多练多学多坚持，我们下期再见。