Python OpenCV通过灰度平均值进行二值化处理以减少像素误差

Python OpenCV通过灰度平均值进行二值化处理以减少像素误差

  • 前言
  • 前提条件
  • 相关介绍
  • 实验环境
  • 通过灰度平均值进行二值化处理以减少像素误差
    • 固定阈值二值化
      • 代码实现
    • 灰度平均值二值化
      • 代码实现

Python OpenCV通过灰度平均值进行二值化处理以减少像素误差_第1张图片

前言

  • 由于本人水平有限,难免出现错漏,敬请批评改正。
  • 更多精彩内容,可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集(口罩检测)
  • YOLOv8训练自己的数据集(足球检测)
  • YOLOv5:TensorRT加速YOLOv5模型推理
  • YOLOv5:IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano(五):TensorRT加速YOLOv5目标检测
  • YOLOv5:添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5:yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5:使用7.0版本训练自己的实例分割模型(车辆、行人、路标、车道线等实例分割)
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

前提条件

  • 熟悉Python

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell),随着版本的不断更新和语言新功能的添加,越多被用于独立的、大型项目的开发。

实验环境

  • Python 3.x (面向对象的高级语言)

通过灰度平均值进行二值化处理以减少像素误差

  • 背景:同一物体(黑色异物)但不同亮度大小的图片,单纯地使用固定阈值的二值化处理,所得到的物体(黑色异物)的像素个数误差较大,实验表明,通过灰度平均值进行二值化处理,可以有效地减少像素个数的误差

  • Python OpenCV通过灰度平均值进行二值化处理以减少像素误差_第2张图片

  • Python OpenCV通过灰度平均值进行二值化处理以减少像素误差_第3张图片

固定阈值二值化

代码实现

import cv2
import numpy as np

# 图像显示函数
def show(name, img):
    cv2.namedWindow(name, 0)  # 用来创建指定名称的窗口,0表示CV_WINDOW_NORMAL
    # cv2.resizeWindow(name, img.shape[1], img.shape[0]); # 设置宽高大小为640*480
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

def count_pix_nums(img_path):
    img=cv2.imread(img_path,0)
    ret, thresh = cv2.threshold(img,60,255, cv2.THRESH_BINARY_INV)
    pix_nums = np.count_nonzero(thresh)
    return pix_nums 

if __name__=="__main__":
    light_pix_nums = count_pix_nums('imgs/light.jpg')
    dark_pix_nums = count_pix_nums('imgs/dark.jpg')

    print("亮度较大的图,物体(黑色异物)像素个数为:",light_pix_nums)
    print("亮度较小的图,物体(黑色异物)像素个数为:",dark_pix_nums)
亮度较大的图,物体(黑色异物)像素个数为: 3558
亮度较小的图,物体(黑色异物)像素个数为: 3693

灰度平均值二值化

代码实现

import cv2
import numpy as np

# 图像显示函数
def show(name, img):
    cv2.namedWindow(name, 0)  # 用来创建指定名称的窗口,0表示CV_WINDOW_NORMAL
    # cv2.resizeWindow(name, img.shape[1], img.shape[0]); # 设置宽高大小为640*480
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

def count_pix_nums(img_path):
    img=cv2.imread(img_path,0)
    mean_gray_value = np.mean(img)
    threshold_value_bias = 60
    threshold_value = mean_gray_value - threshold_value_bias
    ret, thresh = cv2.threshold(img,threshold_value,255, cv2.THRESH_BINARY_INV)
    pix_nums = np.count_nonzero(thresh)
    return pix_nums 

if __name__=="__main__":
    light_pix_nums = count_pix_nums('imgs/light.jpg')
    dark_pix_nums = count_pix_nums('imgs/dark.jpg')

    print("亮度较大的图,物体(黑色异物)像素个数为:",light_pix_nums)
    print("亮度较小的图,物体(黑色异物)像素个数为:",dark_pix_nums)
亮度较大的图,物体(黑色异物)像素个数为: 3950
亮度较小的图,物体(黑色异物)像素个数为: 3948
  • 由于本人水平有限,难免出现错漏,敬请批评改正。
  • 更多精彩内容,可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集(口罩检测)
  • YOLOv8训练自己的数据集(足球检测)
  • YOLOv5:TensorRT加速YOLOv5模型推理
  • YOLOv5:IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano(五):TensorRT加速YOLOv5目标检测
  • YOLOv5:添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5:yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5:使用7.0版本训练自己的实例分割模型(车辆、行人、路标、车道线等实例分割)
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

你可能感兴趣的:(Python日常小操作,python,opencv,开发语言)