R329-opencv阈值分割算法——自适应阈值

R329-opencv阈值分割算法——自适应阈值

在不均匀照明或者灰度值分布不均的情况下，如果使用全局阈值分割，那么得到的分割效果往往会很不理想，这个时候就要你用到自适应阈值算法了。OpenCV提供了自适应的二值化函数，通过该函数可以对图像的不同区域动态计算并应用不同的阈值进行二值化。官方文档：https://docs.opencv.org/3.4.2/d7/d1b/group__imgproc__misc.html#ga72b913f352e4a1b1b397736707afcde3

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

参数说明：

• src：要处理的图像数据，为单通道灰度图像；
• maxValue：double类型，二值化后的最大值；
• adaptiveMethod：动态计算阈值的方法，有以下两种：
  • cv2.ADAPTIVE_THRESH_MEAN_C：计算区域内的平均值减去C；
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：计算区域内的高斯均值减去C；
• thresholdType：二值化类型flags，在该函数中仅能使用cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV两种
• blockSize：动态化计算阈值时所使用的区域的大小，类似卷积时的卷积核大小，需要为奇数；
• C：计算区域内的均值后减去的常量，最后作为阈值；

返回值：

• dst：二值化后的图片数据；

举例：

img = cv2.imread('img.jpg', cv2.IMREAD_GRAYSCALE)
# 计算11*11区域内的均值，再减去4（最后一个参数C）作为阈值
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 4)
# 计算17*17区域内的高斯均值，再减去6（最后一个参数C）作为阈值
th3=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 17, 6)

实际测试

测试代码

#-*- coding: utf-8 -*-
import time
import cv2

cap = cv2.VideoCapture(0)
#设置图像的高
cap.set(3,240)
#设置图像的宽，这里虽然设置的是240但是实际上是320，
cap.set(4,240)
#写入指定设备
f = open('/dev/fb0','wb')

while True:
    st = time.time()
    ret,img = cap.read()
    if ret:
        #截取240*240的图像，lcd最大能显示的是240*240个16位像素
        img = img[:,0:240]
        #将捕获的一帧图像灰度化处理
        img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
        #将灰度图顺时针旋转180度
        img = cv2.rotate(img,cv2.ROTATE_180)
        #自适应阈值算法
        img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
        #转换为16位色彩，（因为lcd是16位显示）
        img = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR565)
        cv2.putText(img, "{0}" .format(str(1 / (time.time() - st))), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 255), 1)
        #写入图像的二进制数据
        f.seek(0)
        f.write(bytearray(img))

实际效果(屏幕有点坏，不影响结果)

回复777催更