您好,登錄后才能下訂單哦!
這篇“Python圖像閾值化怎么處理”文章的知識(shí)點(diǎn)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(jià)值,希望大家閱讀完這篇文章能有所收獲,下面我們一起來(lái)看看這篇“Python圖像閾值化怎么處理”文章吧。
圖像閾值化(Binarization)旨在剔除掉圖像中一些低于或高于一定值的像素,從而提取圖像中的物體,將圖像的背景和噪聲區(qū)分開來(lái)。
灰度化處理后的圖像中,每個(gè)像素都只有一個(gè)灰度值,其大小表示明暗程度。閾值化處理可以將圖像中的像素劃分為兩類顏色,常見的閾值化算法如公式(1)所示:
當(dāng)某個(gè)像素點(diǎn)的灰度Gray(i,j)小于閾值T時(shí),其像素設(shè)置為0,表示黑色;當(dāng)灰度Gray(i,j)大于或等于閾值T時(shí),其像素值為255,表示白色。
在Python的OpenCV庫(kù)中,提供了固定閾值化函數(shù)threshold()和自適應(yīng)閾值化函數(shù)adaptiveThreshold(),將一幅圖像進(jìn)行閾值化處理[3-4]。
OpenCV中提供了函數(shù)threshold()實(shí)現(xiàn)固定閾值化處理,其函數(shù)原型如下:
dst = cv2.threshold(src, thresh, maxval, type[, dst])
– src表示輸入圖像的數(shù)組,8位或32位浮點(diǎn)類型的多通道數(shù)
– dst表示輸出的閾值化處理后的圖像,其類型和通道數(shù)與src一致
– thresh表示閾值
– maxval表示最大值,當(dāng)參數(shù)閾值類型type選擇CV_THRESH_BINARY或CV_THRESH_BINARY_INV時(shí),該參數(shù)為閾值類型的最大值
– type表示閾值類型
其中,threshold()函數(shù)不同類型的處理算法如表1所示。
其對(duì)應(yīng)的閾值化描述如圖1所示:
閾值化處理廣泛應(yīng)用于各行各業(yè),比如生物學(xué)中的細(xì)胞圖分割、交通領(lǐng)域的車牌識(shí)別等。通過(guò)閾值化處理將所圖像轉(zhuǎn)換為黑白兩色圖,從而為后續(xù)的圖像識(shí)別和圖像分割提供更好的支撐作用。下面詳細(xì)講解五種閾值化處理算法。
該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_BINARY)。其方法首先要選定一個(gè)特定的閾值量,比如127,再按照如下所示的規(guī)則進(jìn)行閾值化處理。
當(dāng)前像素點(diǎn)的灰度值大于thresh閾值時(shí)(如127),其像素點(diǎn)的灰度值設(shè)定為最大值(如8位灰度值最大為255);否則,像素點(diǎn)的灰度值設(shè)置為0。如閾值為127時(shí),像素點(diǎn)的灰度值為163,則閾值化設(shè)置為255;像素點(diǎn)的灰度值為82,則閾值化設(shè)置為0。
二進(jìn)制閾值化處理的Python代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('luo.png') #灰度圖像處理 grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #二進(jìn)制閾值化處理 r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", b) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結(jié)果如圖2所示,左邊是小珞珞的原圖,右邊是將原圖進(jìn)行二進(jìn)制閾值化處理的效果圖。像素值大于127的設(shè)置為255,小于等于127設(shè)置為0。
該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_BINARY_INV)。其方法首先要選定一個(gè)特定的閾值量,比如127,再按照如下所示的規(guī)則進(jìn)行閾值化處理。
當(dāng)前像素點(diǎn)的灰度值大于thresh閾值時(shí)(如127),其像素點(diǎn)的灰度值設(shè)定為0;否則,像素點(diǎn)的灰度值設(shè)置為最大值。如閾值為127時(shí),像素點(diǎn)的灰度值為211,則閾值化設(shè)置為0;像素點(diǎn)的灰度值為101,則閾值化設(shè)置為255。
反二進(jìn)制閾值化處理的Python代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('luo.png') #灰度圖像處理 grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #反二進(jìn)制閾值化處理 r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY_INV) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", b) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結(jié)果如圖3所示:
該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_TRUNC)。圖像中大于該閾值的像素點(diǎn)被設(shè)定為該閾值,小于或等于該閾值的保持不變,比如127。新的閾值產(chǎn)生規(guī)則如下:
比如閾值為127時(shí),像素點(diǎn)的灰度值為167,則閾值化設(shè)置為127;像素點(diǎn)的灰度值為82,則閾值化設(shè)置為82。截?cái)嚅撝祷幚淼腜ython代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('luo.png') #灰度圖像處理 grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #截?cái)嚅撝祷幚? r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TRUNC) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", b) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結(jié)果如圖4所示,圖像經(jīng)過(guò)截?cái)嚅撝祷幚韺⒒叶戎堤幚碛?至127之間。
該函數(shù)的原型為 threshold(Gray,127,255,cv2.THRESH_TOZERO)。按照如下公式對(duì)圖像的灰度值進(jìn)行處理。
當(dāng)前像素點(diǎn)的灰度值大于thresh閾值時(shí)(如127),其像素點(diǎn)的灰度值保持不變;否則,像素點(diǎn)的灰度值設(shè)置為0。如閾值為127時(shí),像素點(diǎn)的灰度值為211,則閾值化設(shè)置為211;像素點(diǎn)的灰度值為101,則閾值化設(shè)置為0。
圖像閾值化為0處理的Python代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('luo.png') #灰度圖像處理 grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #閾值化為0處理 r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TOZERO) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", b) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結(jié)果如圖5所示,該算法把比較亮的部分不變,比較暗的部分處理為0。
該函數(shù)的原型為 threshold(Gray,127,255, cv2.THRESH_TOZERO_INV)。按照如下公式對(duì)圖像的灰度值進(jìn)行處理。
當(dāng)前像素點(diǎn)的灰度值大于thresh閾值時(shí)(如127),其像素點(diǎn)的灰度值設(shè)置為0;否則,像素點(diǎn)的灰度值保持不變。如閾值為127時(shí),像素點(diǎn)的灰度值為211,則閾值化設(shè)置為0;像素點(diǎn)的灰度值為101,則閾值化設(shè)置為101。
圖像反閾值化為0處理的Python代碼如下所示:
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np #讀取圖片 src = cv2.imread('luo.png') #灰度圖像處理 GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY) #二進(jìn)制閾值化處理 r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV) #顯示圖像 cv2.imshow("src", src) cv2.imshow("result", b) #等待顯示 cv2.waitKey(0) cv2.destroyAllWindows()
輸出結(jié)果如圖6所示:
同樣,我們?cè)趯?duì)民族圖騰及圖像進(jìn)行識(shí)別和保護(hù)時(shí),也需要進(jìn)行圖像閾值化處理。下面代碼是對(duì)比苗族服飾圖像五種固定閾值化處理的對(duì)比結(jié)果。
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt #讀取圖像 img=cv2.imread('miao.png') grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #閾值化處理 ret,thresh2=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY) ret,thresh3=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY_INV) ret,thresh4=cv2.threshold(grayImage,127,255,cv2.THRESH_TRUNC) ret,thresh5=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO) ret,thresh6=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO_INV) #顯示結(jié)果 titles = ['Gray Image','BINARY','BINARY_INV','TRUNC', 'TOZERO','TOZERO_INV'] images = [grayImage, thresh2, thresh3, thresh4, thresh5, thresh6] 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()
輸出結(jié)果如圖7所示:
前面講解的是固定值閾值化處理方法,而當(dāng)同一幅圖像上的不同部分具有不同亮度時(shí),上述方法就不在適用。此時(shí)需要采用自適應(yīng)閾值化處理方法,根據(jù)圖像上的每一個(gè)小區(qū)域,計(jì)算與其對(duì)應(yīng)的閾值,從而使得同一幅圖像上的不同區(qū)域采用不同的閾值,在亮度不同的情況下得到更好的結(jié)果。
自適應(yīng)閾值化處理在OpenCV中調(diào)用cv2.adaptiveThreshold()函數(shù)實(shí)現(xiàn),其原型如下所示:
dst = adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
– src表示輸入圖像
– dst表示輸出的閾值化處理后的圖像,其類型和尺寸需與src一致
– maxValue表示給像素賦的滿足條件的最大值
– adaptiveMethod表示要適用的自適應(yīng)閾值算法,常見取值包括ADAPTIVE_THRESH_MEAN_C(閾值取鄰域的平均值) 或 ADAPTIVE_THRESH_GAUSSIAN_C(閾值取自鄰域的加權(quán)和平均值,權(quán)重分布為一個(gè)高斯函數(shù)分布)
– thresholdType表示閾值類型,取值必須為THRESH_BINARY或THRESH_BINARY_INV
– blockSize表示計(jì)算閾值的像素鄰域大小,取值為3、5、7等
– C表示一個(gè)常數(shù),閾值等于平均值或者加權(quán)平均值減去這個(gè)常數(shù)
當(dāng)閾值類型thresholdType為THRESH_BINARY時(shí),其灰度圖像轉(zhuǎn)換為閾值化圖像的計(jì)算公式如下所示:
當(dāng)閾值類型thresholdType為THRESH_BINARY_INV時(shí),其灰度圖像轉(zhuǎn)換為閾值化圖像的計(jì)算公式如下所示:
其中,dst(x,y)表示閾值化處理后的灰度值,T(x,y)表示計(jì)算每個(gè)單獨(dú)像素的閾值,其取值如下:
當(dāng)adaptiveMethod參數(shù)采用ADAPTIVE_THRESH_MEAN_C時(shí),閾值T(x,y)為blockSize×blockSize鄰域內(nèi)(x,y)減去參數(shù)C的平均值。
當(dāng)adaptiveMethod參數(shù)采用ADAPTIVE_THRESH_GAUSSIAN_C時(shí),閾值T(x,y)為blockSize×blockSize鄰域內(nèi)(x,y)減去參數(shù)C與高斯窗交叉相關(guān)的加權(quán)總和。
下面的代碼是對(duì)比固定值閾值化與自適應(yīng)閾值化處理的方法。
# -*- coding: utf-8 -*- # By:Eastmount import cv2 import numpy as np import matplotlib.pyplot as plt import matplotlib #讀取圖像 img = cv2.imread('miao.png') #圖像灰度化處理 grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #固定值閾值化處理 r, thresh2 = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY) #自適應(yīng)閾值化處理 方法一 thresh3 = cv2.adaptiveThreshold(grayImage, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) #自適應(yīng)閾值化處理 方法二 thresh4 = cv2.adaptiveThreshold(grayImage, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) #設(shè)置字體 matplotlib.rcParams['font.sans-serif']=['SimHei'] #顯示圖像 titles = ['灰度圖像', '全局閾值', '自適應(yīng)平均閾值', '自適應(yīng)高斯閾值'] images = [grayImage, thresh2, thresh3, thresh4] 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()
輸出結(jié)果如圖8所示,左上角為灰度化處理圖像;右上角為固定值全局閾值化處理圖像(cv2.threshold);左下角為自適應(yīng)鄰域平均值分割,噪聲較多;右下角為自適應(yīng)鄰域加權(quán)平均值分割,采用高斯函數(shù)分布,其效果相對(duì)較好。
以上就是關(guān)于“Python圖像閾值化怎么處理”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(duì)大家有幫助,若想了解更多相關(guān)的知識(shí)內(nèi)容,請(qǐng)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(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。