Python cv 二值化后的质心 python图像二值化

文章目录

• 1.图像二值化
• 2.阈值

• 2.1.阈值的定义
• 2.2.阈值类型

• 2.2.1.二进制阈值化(cv2.THRESH_BINARY)
• 2.2.2.反二进制阈值化(cv2.THRESH_BINARY_INV)
• 2.2.3.截断阈值化(cv2.THRESH_TRUNC)
• 2.2.4.阈值化为0(cv2.THRESH_TOZERO)
• 2.2.5.反阈值化为0(cv2.THRESH_TOZERO_INV)

• 3.图像二值化方法

• 3.1.全局二值化
• 3.2.局部二值化
• 3.3.自己计算阈值

• 完整代码

1.图像二值化

图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出黑白效果的过程。
图像的二值化，在图像处理中是十分重要的一个步骤。是几乎所有后续的图像处理的基础和前提。只有根据不同场景选择不同的二值化处理，才能对一幅图片较好的初始化。(包括灰度值处理，二值化处理，根据噪声类型降噪等)。
一幅图像包括目标物体、背景还有噪声，要想从多值二值化的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化(BINARIZATION)。

2.阈值

2.1.阈值的定义

说到图像二值化，就不得不提到阈值，阈的意思是界限，故阈值又叫临界值，是指一个效应能够产生的最低值或最高值。

2.2.阈值类型

图像二值化的阈值有五种类型。为了解释阈值分割的过程，我们可以看一个简单有关像素灰度的图片，该图如下，该图中的蓝色水平线代表着具体的一个阈值。

2.2.1.二进制阈值化(cv2.THRESH_BINARY)

该类型如下式所示：

在运用该阈值类型的时候，先要选定一个特定的阈值量，比如：125，这样，大于125的像素点的灰度值设定为最大值(如8位灰度值最大为255)，灰度值小于125的像素点的灰度值设定为0，其图解为：

2.2.2.反二进制阈值化(cv2.THRESH_BINARY_INV)

该类型的公式为：

该阈值化与二进制阈值化相似，先选定一个特定的灰度值作为阈值，不过最后的设定值相反。在8位灰度图中，例如大于阈值的设定为0，而小于该阈值的设定为255，其图解为：

2.2.3.截断阈值化(cv2.THRESH_TRUNC)

该类型的公式为：

首先需要选定一个阈值，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。例如：阈值选取为125，那小于125的阈值不改变，大于125的灰度值（230）的像素点就设定为该阈值。其图解为：

2.2.4.阈值化为0(cv2.THRESH_TOZERO)

该阈值类型为：

先选定一个阈值，然后对图像做如下处理：若像素点的灰度值大于该阈值的不进行任何改变；若像素点的灰度值小于该阈值的，其灰度值全部变为0。

其图解为：

2.2.5.反阈值化为0(cv2.THRESH_TOZERO_INV)

该类型的公式为：

原理类似于0阈值，但是在对图像做处理的时候相反，若像素点的灰度值小于该阈值的不进行任何改变，而大于该阈值的部分，其灰度值全部变为0。

其图解为：

3.图像二值化方法

图像二值化方法有全局二值化，局部二值化，自定义二值化。
在进行图像二值化之前，我们都要先将图像转化为灰度图像，然后在进行相关的操作。

3.1.全局二值化

在全局二值化中，我们会用到threshold这个API，
threshold( src_gray, dst, threshold_value, max_BINARY_value, threshold_type );
其代码为：

def threshold_demo(image):              # 全局二值化
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    print("threshold value: %s" % ret)
    cv.imshow("binary image", binary)

原图为：

经过二值化后的图像为：

3.2.局部二值化

在局部二值化中，我们会使用到adaptiveThreshold这个API，
adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)
src:源图像，maxValue:像素值上限，adaptiveMethod:自适应方法，
— cv2.ADAPTIVE_THRESH_MEAN_C ：领域内均值
—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，权重为一个高斯窗口
thresholdType:阈值类型，blockSize:规定领域大小(一个正方形的领域)，它必须为奇数，
C:阈值等于均值或者加权值减去这个常数（为0相当于阈值 就是求得领域内均值或者加权值）
代码如下：

def local_threshold(image):             # 局部二值化
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    dst = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)
    cv.imshow("binary image", dst)

得到的效果为：

3.3.自己计算阈值

将图像转换为灰度图像后求出其宽和高，接着将灰度图像转变成1行，w*h列的图像，然后求出平均值，最后我们再通过全局二值化来得到二值化图像。
其代码为：

def custom_threshold(image):            # 自己计算阈值
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    h, w = gray.shape[:2]
    m = np.reshape(gray, [1, w * h])    # 图像变成一行
    mean = m.sum() / (w * h)
    print("mean: ", mean)
    ret, dst = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)
    cv.imshow("binary image", dst)

得到的效果为：

完整代码

import cv2 as cv  # 导入opencv模块
import numpy as np  # 导入数学函数库


def threshold_demo(image):              # 全局二值化
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    """
    #大律法,全局自适应阈值 参数0可改为任意数字但不起作用   
    cv.THRESH_BINARY | cv.THRESH_OTSU 

    #TRIANGLE法,，全局自适应阈值, 参数0可改为任意数字但不起作用，适用于单个波峰
    cv.THRESH_BINARY | cv.THRESH_TRIANGLE

    # 自定义阈值为150,大于150的是白色 小于的是黑色
     cv.THRESH_BINARY

    # 自定义阈值为150,大于150的是黑色 小于的是白色
    cv.THRESH_BINARY_INV 

    # 截断 大于150的是改为150  小于150的保留
    cv.THRESH_TRUNC 

    # 截断 小于150的是改为150  大于150的保留
    cv.THRESH_TOZERO 
    """
    # ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)
    print("threshold value: %s" % ret)
    cv.imshow("binary image", binary)


def local_threshold(image):             # 局部二值化
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    dst = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)
    cv.imshow("binary image", dst)


def custom_threshold(image):            # 自己计算阈值
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
    h, w = gray.shape[:2]
    m = np.reshape(gray, [1, w * h])    # 图像变成一行
    mean = m.sum() / (w * h)
    print("mean: ", mean)
    ret, dst = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)
    cv.imshow("binary image", dst)


print("------------hello python!------------")

src = cv.imread("D:/opencv3/image/house.jpg")
cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)
cv.imshow("input_image", src)
# threshold_demo(src)
# local_threshold(src)
custom_threshold(src)

cv.waitKey(0)
cv.destroyAllWindows()  # 释放所有窗口