python opencv 图片阈值

本文深入探讨了图像处理中的阈值技术,包括简单的二值化、自适应阈值、Otsu二值法等,通过实例展示了不同方法在图像分割中的应用效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

# 简单阈值
import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('black_white.jpg', 0)
ret,thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)#大于阈值为白
ret,thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)#大于阈值为黑
ret,thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
    plt.subplot(2,3,i+1), plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()

在这里插入图片描述

# 下面的代码比较了全局阈值和适应性阈值在处理一个变化光线的图片的差别
# 自适应二值化,用于解决图片中明暗不均导致阈值设置不能有效分割图像。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('black_white2.jpg',0)
img = cv2.medianBlur(img,5)#第一个参数是待处理图像,第二个参数是孔径的尺寸,一个大于1的奇数。比如这里是5,中值滤波器就会使用5×5的范围来计算

ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)

titles = ['Original Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]

for i in range(4):
    plt.subplot(2,2,i+1), plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

# Otsu二值法
# 双峰图片(简单说,双峰图片是频率分布峰值有两个的图片),对于这种图片,我们近似的可以用两个峰的中间的值作为阈值,这就是Otsu二值法的做法
# 对于非双峰图片,二值法不准确

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('shaungfeng.jpg',0)

# global thresholding
ret1, th1= cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# Otsu's thresholding
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5), 0)
ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# plot all the images and their histograms
images = [img, 0, th1, img, 0, th2, blur, 0, th3]
titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding (v=127)', 'Original Noisy Image', 'Histogram', "Otsu's Thresholding", 'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"]

for i in range(3):
    plt.subplot(3, 3, i*3 + 1), plt.imshow(images[i*3], 'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3, 3, i*3+2), plt.hist(images[i*3].ravel(), 256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3, 3, i*3+3), plt.imshow(images[i*3+2], 'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])

plt.show()


在这里插入图片描述)

### Python 中使用 OpenCV 实现自适应阈值处理 在图像处理领域,自适应阈值处理是一种重要的技术,用于增强图像中的特定特征并减少噪声的影响。通过 `cv2.adaptiveThreshold` 函数可以在 PythonOpenCV 中轻松实现这一功能。 以下是关于如何使用该方法的具体说明: #### 自适应阈值的核心概念 自适应阈值不同于全局阈值,它会根据图像的不同区域动态调整阈值。这使得其特别适合于光照条件变化较大的场景[^1]。 #### 主要参数解释 `cv2.adaptiveThreshold` 方法的主要参数如下: - **src**: 输入图像(通常是灰度图像)。 - **maxValue**: 阈值操作后的最大像素值。 - **adaptiveMethod**: 自适应阈值计算的方法,可选值为 `cv2.ADAPTIVE_THRESH_MEAN_C` 或 `cv2.ADAPTIVE_THRESH_GAUSSIAN_C`。 - `ADAPTIVE_THRESH_MEAN_C`: 块区域内均值作为阈值。 - `ADAPTIVE_THRESH_GAUSSIAN_C`: 块区域内加权平均值(高斯窗口)作为阈值。 - **thresholdType**: 阈值类型,通常为 `cv2.THRESH_BINARY` 或 `cv2.THRESH_BINARY_INV`。 - **blockSize**: 计算阈值时使用的邻域大小,必须为奇数。 - **C**: 从计算得到的平均值或加权平均值中减去的一个常量。 #### 示例代码 下面是一个完整的示例代码,演示如何应用自适应阈值处理: ```python import cv2 import numpy as np # 加载原始图像并转换为灰度图 image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE) # 应用自适应阈值处理 adaptive_threshold_mean = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) adaptive_threshold_gaussian = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 显示结果 cv2.imshow('Original Image', image) cv2.imshow('Adaptive Threshold Mean', adaptive_threshold_mean) cv2.imshow('Adaptive Threshold Gaussian', adaptive_threshold_gaussian) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码加载了一张输入图片,并分别使用了基于均值和高斯权重的两种自适应阈值算法进行处理。 #### 结果分析 运行此脚本后,可以看到原图以及经过不同方法处理后的效果对比。其中,`ADAPTIVE_THRESH_GAUSSIAN_C` 更倾向于保留边缘细节,而 `ADAPTIVE_THRESH_MEAN_C` 则可能更适合均匀背景下的目标检测[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值