【python图像处理】图像阈值化处理及算法对比、图像腐蚀与图像膨胀

1、二进制阈值化
2、反二进制阈值化
3、截断阈值化
4、阈值化为0
5、反阈值化为0
6、图像腐蚀
6、图像膨胀

1、二进制阈值化

该方法先要选定一个特定的阈值量，比如127。
(1) 大于等于127的像素点的灰度值设定为最大值（如8位灰度值最大为255）
(2) 灰度值小于127的像素点的灰度值设定为0
例如，163->255，86->0，102->0，201->255。

关键字为 cv2.THRESH_BINARY

img=cv2.imread("C:/picture/dog.jpg")
GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
r,b=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)
print(r)
cv2.imshow("img",img)
cv2.imshow("result",b)

在这里插入图片描述
输出为两个返回值，r为127，b为处理结果（大于127设置为255，小于设置为0）。

2、反二进制阈值化

该方法与二进制阈值化方法相似，先要选定一个特定的灰度值作为阈值，比如127。
(1) 大于127的像素点的灰度值设定为0（以8位灰度图为例）
(2) 小于该阈值的灰度值设定为255
例如，163->0，86->255，102->255，201->0。

关键字为 cv2.THRESH_BINARY_INV
该方法得到的结果正好与二进制阈值化方法相反，亮色元素反而处理为黑色，暗色处理为白色。

result=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)

在这里插入图片描述

3、截断阈值化

该方法需要选定一个阈值，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变，比如127。
(1) 大于等于127的像素点的灰度值设定为该阈值127
(2) 小于该阈值的灰度值不改变
例如，163->127，86->86，102->102，201->127。

关键字为 cv2.THRESH_TRUNC

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)

在这里插入图片描述
该处理方法相当于把图像中比较亮（大于127，偏向于白色）的像素值处理为阈值。

4、阈值化为0

该方法先选定一个阈值，比如127。
(1) 大于等于阈值127的像素点，值保持不变
(2) 小于该阈值的像素点值设置为0
例如，163->163，86->0，102->0，201->201。

关键字为 cv2.THRESH_TOZERO
该算法把比较亮的部分不变，比较暗的部分处理为0。

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)

在这里插入图片描述

5、反阈值化为0

该方法先选定一个阈值，比如127。
(1) 大于等于阈值127的像素点变为0
(2) 小于该阈值的像素点值保持不变
例如，163->0，86->86，102->102，201->0。

关键字为 cv2.THRESH_TOZERO_INV

r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)

在这里插入图片描述
最后五个算法对比一下

6、图像腐蚀

形态学转换主要针对的是二值图像（0或1）。图像腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。其主要包括两个输入对象：
(1)二值图像
(2)卷积核
卷积核是腐蚀中的关键数组，采用numpy库可以生成。
图像腐蚀主要使用的函数为erode，其原型如下：
dst = cv2.erode(src, kernel, iterations)
参数dst表示处理的结果，src表示原图像，kernel表示卷积核，iterations表示迭代次数。下图表示5*5的卷积核，可以采用函数 np.ones((5,5), np.uint8) 构建。

#设置卷积核
kernel = np.ones((5,5), np.uint8)

#图像腐蚀处理
erosion = cv2.erode(src, kernel)

在这里插入图片描述

6、图像膨胀

图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了，主要用于去噪。
(1) 图像被腐蚀后，去除了噪声，但是会压缩图像。
(2) 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。
图像膨胀主要使用的函数为dilate，其原型如下：
dst = cv2.dilate(src, kernel, iterations)
参数dst表示处理的结果，src表示原图像，kernel表示卷积核，iterations表示迭代次数。下图表示5*5的卷积核，可以采用函数 np.ones((5,5), np.uint8) 构建。