您好,登錄后才能下訂單哦!
這篇“python3 opencv圖像二值化的問題怎么解決”文章的知識點大部分人都不太理解,所以小編給大家總結(jié)了以下內(nèi)容,內(nèi)容詳細(xì),步驟清晰,具有一定的借鑒價值,希望大家閱讀完這篇文章能有所收獲,下面我們一起來看看這篇“python3 opencv圖像二值化的問題怎么解決”文章吧。
如下圖
可以看到左邊部分因為整體偏暗,導(dǎo)致二值化后變成全黑,丟失了所有細(xì)節(jié),這顯然不是我們想要的結(jié)果。
原因threshold函數(shù)使用一個閾值對圖像進行二值化,導(dǎo)致小于這個閾值的像素點全都變成0。因此使用一個閾值的二值化方法并不適用于上面的這張圖。那怎么搞?
很明顯,上面這張圖只有左右兩個區(qū)域明顯亮度不同,最簡單的方法就是把圖分成兩個區(qū)域,每個區(qū)域分別進行二值化,也就是說二值化上面這張圖需要兩個不同的閾值。那如果亮度不同的地方有三個,四個或者更多呢?那就每個區(qū)域用一個閾值來進行二值化。按照這個思想,因此有了cv2.adaptiveThreshold函數(shù)。
先看一下adaptiveThreshold二值化的使用效果。
明顯還是有效果的,至少左邊部分不是全黑。
接下來簡單說一下adaptiveThreshold方法
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
這個函數(shù)大致意思就是把圖片每個像素點作為中心取N*N的區(qū)域,然后計算這個區(qū)域的閾值,來決定這個像素點變0還是變255
src:需要進行二值化的一張灰度圖像
maxValue:滿足條件的像素點需要設(shè)置的灰度值。(將要設(shè)置的灰度值)
adaptiveMethod:自適應(yīng)閾值算法??蛇xADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C
thresholdType:opencv提供的二值化方法,只能THRESH_BINARY或者THRESH_BINARY_INV
blockSize:要分成的區(qū)域大小,上面的N值,一般取奇數(shù)
C:常數(shù),每個區(qū)域計算出的閾值的基礎(chǔ)上在減去這個常數(shù)作為這個區(qū)域的最終閾值,可以為負(fù)數(shù)
dst:輸出圖像,可以忽略
前兩個參數(shù)與threshold的src和maxval一樣相同
第三個參數(shù)adaptiveMethod
提供兩種不同的計算閾值的方法,按照網(wǎng)上其他大佬的解釋
ADAPTIVE_THRESH_MEAN_C,為局部鄰域塊的平均值,該算法是先求出塊中的均值。
ADAPTIVE_THRESH_GAUSSIAN_C,為局部鄰域塊的高斯加權(quán)和。該算法是在區(qū)域中(x, y)周圍的像素根據(jù)高斯函數(shù)按照他們離中心點的距離進行加權(quán)計算。
第四個參數(shù)thresholdType
只能THRESH_BINARY或者THRESH_BINARY_INV
第5個參數(shù)blockSize
上述算法計算鄰域時的領(lǐng)鄰域大小,一般選擇為3、5、7......等
第6個參數(shù)C
每個鄰域計算出閾值后再減去C作為最終閾值
演示一下blockSize和C對二值化結(jié)果的影響,以THRESH_BINARY,ADAPTIVE_THRESH_GAUSSIAN_C為例
可以看到,當(dāng)blockSize越大,參與計算閾值的區(qū)域也越大,細(xì)節(jié)輪廓就變得越少,整體輪廓越粗越明顯
當(dāng)C越大,每個像素點的N*N鄰域計算出的閾值就越小,中心點大于這個閾值的可能性也就越大,設(shè)置成255的概率就越大,整體圖像白色像素就越多,反之亦然。
這種二值化有點類似canny邊緣檢測,用來找輪廓或者特征點也挺不錯。
import cv2 import numpy as np blocksize = 3 C=0 def adaptive_demo(gray, blocksize, C): binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blocksize, C) # binary = cv2.GaussianBlur(binary, (15,15), 0) cv2.imshow('binary', binary) def C_changed(value): global gray global blocksize global C C = value - 30 print('C:', C) adaptive_demo(gray, blocksize, C) def blocksize_changed(value): blocksize = 2 * value + 1 print('blocksize:', blocksize) if __name__ == "__main__": image_path = './img/1.jpg' img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) adaptive_demo(gray, 3, 0) cv2.createTrackbar('C', 'binary',0, 60, C_changed) cv2.createTrackbar('blocksize', 'binary',1, 20, blocksize_changed) cv2.waitKey(0)
以上就是關(guān)于“python3 opencv圖像二值化的問題怎么解決”這篇文章的內(nèi)容,相信大家都有了一定的了解,希望小編分享的內(nèi)容對大家有幫助,若想了解更多相關(guān)的知識內(nèi)容,請關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。