python图像处理函数,Python 处理图像

2022-08-27 18:52:21 分类：python 阅读()

　　python图像处理函数,Python 处理图像

　　本文将详细介绍图像阈值化，包括阈值化、固定阈值化和自适应阈值化，它是图像边缘检测或图像增强的基础。有兴趣的可以看看。

　　00-1010 1.图像阈值2。固定阈值1。二进制阈值2。反二进制阈值3。截断阈值4。阈值05。反阈值0 3。自适应阈值处理4。摘要

　　

目录

　　图像阈值化的目的是去除图像中低于或高于某一值的部分像素，从而提取图像中的物体，区分图像的背景和噪声。

　　在灰化的图像中，每个像素只有一个灰度值，其大小表示明暗程度。阈值处理可以将图像中的像素分为两种颜色。常用阈值算法如公式(1)所示：

　　当一个像素的灰度级Gray(i，j)小于阈值T时，其像素设为0，表示黑色；当灰度级Gray(i，j)大于等于阈值T时，其像素值为255，表示白色。

　　在Python的OpenCV库中，提供了固定阈值函数()和自适应阈值函数()来对图像进行阈值处理[3-4]。

　　

一.图像阈值化

　　OpenCV提供了函数threshold()来实现固定阈值，其原型如下：

　　dst=cv2.threshold(src，thresh，maxval，type[，dst])

　　src表示输入图像的数组，以及8位或32位浮点类型的多通道数量。

　　DST代表阈值化后的输出图像，其类型和通道数与src一致。

　　thresh表示阈值。

　　MaxVal表示最大值。当选择CV_THRESH_BINARY或CV_THRESH_BINARY_INV作为参数阈值类型时，此参数是阈值类型的最大值。

　　type表示阈值类型。

　　其中，threshold()函数不同类型的处理算法如表1所示。

　　相应的阈值描述如图1所示：

　　阈值处理广泛应用于各行各业，如生物学中的细胞图分割，交通领域中的车牌识别等。通过阈值处理，将图像转换成黑白图像，为后续的图像识别和图像分割提供了更好的支持。下面详细解释五种阈值算法。

　　

二.固定阈值化处理

　　这个函数的原型是threshold (gray，127，255，cv2.threshold _ binary)。该方法首先选择一个特定的阈值，比如127，然后按照以下规则进行阈值处理。

　　当当前像素的灰度值大于阈值(如127)时，将其像素的灰度值设置为最大值(如8位的最大灰度值为255)；否则，像素的灰度值被设置为0。如果阈值为127，像素灰度值为163，则阈值设置为255；如果像素的灰度值是82，则阈值被设置为0。

　　二进制阈值的Python代码如下：

　　# -*-编码： utf-8 -*-

　　# By:伊斯特蒙特

　　导入cv2

　　将numpy作为np导入

　　#阅读图片

　　src=cv2.imread(luo.png )

　　#灰度图像处理

　　grayImage=cv2.cvtColor(src，cv2。COLOR_BGR2GRAY)

　　#二进制阈值处理

　　r，b=cv2.threshold(灰度图像，127，255，cv2。THRESH_BINARY)

　　#显示图像

　　cv2.imshow(src ，src)

　　cv2.imshow(result ，b)

　　#等待显示

　　cv2.waitKey(0)

　　cv2.destroyAllWindows()

　　输出结果如图2所示，左边是小图像的原始图像，右边是二进制阈值处理的效果图像。像素值大于12

　　7的设置为255，小于等于127设置为0。

　　

　　

　　

2.反二进制阈值化

　　该函数的原型为 threshold(Gray,127,255,cv2.THRESH_BINARY_INV)。其方法首先要选定一个特定的阈值量，比如127，再按照如下所示的规则进行阈值化处理。

　　

　　当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值设定为0；否则，像素点的灰度值设置为最大值。如阈值为127时，像素点的灰度值为211，则阈值化设置为0；像素点的灰度值为101，则阈值化设置为255。

　　反二进制阈值化处理的Python代码如下所示：

　　

# -*- coding: utf-8 -*-
　　# By：Eastmount
　　import cv2 
　　import numpy as np 
　　#读取图片
　　src = cv2.imread(luo.png)
　　#灰度图像处理
　　grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
　　#反二进制阈值化处理
　　r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY_INV)
　　#显示图像
　　cv2.imshow("src", src)
　　cv2.imshow("result", b)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　

　　输出结果如图3所示：

　　

　　

　　

3.截断阈值化

　　该函数的原型为 threshold(Gray,127,255,cv2.THRESH_TRUNC)。图像中大于该阈值的像素点被设定为该阈值，小于或等于该阈值的保持不变，比如127。新的阈值产生规则如下：

　　

　　比如阈值为127时，像素点的灰度值为167，则阈值化设置为127；像素点的灰度值为82，则阈值化设置为82。截断阈值化处理的Python代码如下所示：

　　

# -*- coding: utf-8 -*-
　　# By：Eastmount
　　import cv2 
　　import numpy as np 
　　#读取图片
　　src = cv2.imread(luo.png)
　　#灰度图像处理
　　grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
　　#截断阈值化处理
　　r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TRUNC)
　　#显示图像
　　cv2.imshow("src", src)
　　cv2.imshow("result", b)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　

　　输出结果如图4所示，图像经过截断阈值化处理将灰度值处理于0至127之间。

　　

　　

　　

4.阈值化为0

　　该函数的原型为 threshold(Gray,127,255,cv2.THRESH_TOZERO)。按照如下公式对图像的灰度值进行处理。

　　

　　当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值保持不变；否则，像素点的灰度值设置为0。如阈值为127时，像素点的灰度值为211，则阈值化设置为211；像素点的灰度值为101，则阈值化设置为0。

　　图像阈值化为0处理的Python代码如下所示：

　　

# -*- coding: utf-8 -*-
　　# By：Eastmount
　　import cv2 
　　import numpy as np 
　　#读取图片
　　src = cv2.imread(luo.png)
　　#灰度图像处理
　　grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
　　#阈值化为0处理
　　r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TOZERO)
　　#显示图像
　　cv2.imshow("src", src)
　　cv2.imshow("result", b)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　

　　输出结果如图5所示，该算法把比较亮的部分不变，比较暗的部分处理为0。

　　

　　

　　

5.反阈值化为0

　　该函数的原型为 threshold(Gray,127,255, cv2.THRESH_TOZERO_INV)。按照如下公式对图像的灰度值进行处理。

　　

　　当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值设置为0；否则，像素点的灰度值保持不变。如阈值为127时，像素点的灰度值为211，则阈值化设置为0；像素点的灰度值为101，则阈值化设置为101。

　　图像反阈值化为0处理的Python代码如下所示：

　　

# -*- coding: utf-8 -*-
　　# By：Eastmount
　　import cv2 
　　import numpy as np 
　　#读取图片
　　src = cv2.imread(luo.png)
　　#灰度图像处理
　　GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
　　#二进制阈值化处理
　　r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)
　　#显示图像
　　cv2.imshow("src", src)
　　cv2.imshow("result", b)
　　#等待显示
　　cv2.waitKey(0)
　　cv2.destroyAllWindows()
　　

　　输出结果如图6所示：

　　

　　同样，我们在对民族图腾及图像进行识别和保护时，也需要进行图像阈值化处理。下面代码是对比苗族服饰图像五种固定阈值化处理的对比结果。

　　

# -*- coding: utf-8 -*-
　　# By：Eastmount
　　import cv2 
　　import numpy as np 
　　import matplotlib.pyplot as plt
　　#读取图像
　　img=cv2.imread(miao.png)
　　grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 
　　#阈值化处理
　　ret,thresh1=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY) 
　　ret,thresh2=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY_INV) 
　　ret,thresh3=cv2.threshold(grayImage,127,255,cv2.THRESH_TRUNC) 
　　ret,thresh4=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO) 
　　ret,thresh5=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO_INV)
　　#显示结果
　　titles = [Gray Image,BINARY,BINARY_INV,TRUNC,
　　TOZERO,TOZERO_INV] 
　　images = [grayImage, 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()
　　

　　输出结果如图7所示：

　　

　　

　　

三.自适应阈值化处理

　　前面讲解的是固定值阈值化处理方法，而当同一幅图像上的不同部分具有不同亮度时，上述方法就不在适用。此时需要采用自适应阈值化处理方法，根据图像上的每一个小区域，计算与其对应的阈值，从而使得同一幅图像上的不同区域采用不同的阈值，在亮度不同的情况下得到更好的结果。

　　自适应阈值化处理在OpenCV中调用cv2.adaptiveThreshold()函数实现，其原型如下所示：

　　dst = adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

　　– src表示输入图像

　　– dst表示输出的阈值化处理后的图像，其类型和尺寸需与src一致

　　– maxValue表示给像素赋的满足条件的最大值

　　– adaptiveMethod表示要适用的自适应阈值算法，常见取值包括ADAPTIVE_THRESH_MEAN_C（阈值取邻域的平均值） 或 ADAPTIVE_THRESH_GAUSSIAN_C（阈值取自邻域的加权和平均值，权重分布为一个高斯函数分布）

　　– thresholdType表示阈值类型，取值必须为THRESH_BINARY或THRESH_BINARY_INV

　　– blockSize表示计算阈值的像素邻域大小，取值为3、5、7等

　　– C表示一个常数，阈值等于平均值或者加权平均值减去这个常数

　　当阈值类型thresholdType为THRESH_BINARY时，其灰度图像转换为阈值化图像的计算公式如下所示：

　　

　　当阈值类型thresholdType为THRESH_BINARY_INV时，其灰度图像转换为阈值化图像的计算公式如下所示：

　　

　　其中，dst(x,y)表示阈值化处理后的灰度值，T(x,y)表示计算每个单独像素的阈值，其取值如下：

　　当adaptiveMethod参数采用ADAPTIVE_THRESH_MEAN_C时，阈值T(x,y)为blockSize×blockSize邻域内（x，y）减去参数C的平均值。

　　当adaptiveMethod参数采用ADAPTIVE_THRESH_GAUSSIAN_C时，阈值T(x,y)为blockSize×blockSize邻域内（x，y）减去参数C与高斯窗交叉相关的加权总和。
下面的代码是对比固定值阈值化与自适应阈值化处理的方法。

　　

# -*- coding: utf-8 -*-
　　# By：Eastmount
　　import cv2 
　　import numpy as np 
　　import matplotlib.pyplot as plt
　　import matplotlib
　　#读取图像
　　img = cv2.imread(miao.png)
　　#图像灰度化处理
　　grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
　　#固定值阈值化处理
　　r, thresh1 = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY) 
　　#自适应阈值化处理 方法一
　　thresh2 = cv2.adaptiveThreshold(grayImage, 255, 
　　cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
　　#自适应阈值化处理 方法二
　　thresh3 = cv2.adaptiveThreshold(grayImage, 255, 
　　cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
　　#设置字体
　　matplotlib.rcParams[font.sans-serif]=[SimHei]
　　#显示图像
　　titles = [灰度图像, 全局阈值, 自适应平均阈值, 自适应高斯阈值]
　　images = [grayImage, thresh1, thresh2, thresh3]
　　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()
　　

　　输出结果如图8所示，左上角为灰度化处理图像；右上角为固定值全局阈值化处理图像（cv2.threshold）；左下角为自适应邻域平均值分割，噪声较多；右下角为自适应邻域加权平均值分割，采用高斯函数分布，其效果相对较好。

　　

　　

　　

四.总结

　　本文主要讲解了图像阈值化处理知识，调用OpenCV的threshold()实现固定阈值化处理，调用adaptiveThreshold()函数实现自适应阈值化处理。本文知识点将为后续的图像处理提供良好的基础。

　　以上就是Python图像运算之图像阈值化处理详解的详细内容，更多关于Python图像阈值化处理的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

标签： python

相关文章阅读

  • python画像分析,python图像算法
  • python pil图像处理,matlab和python图像处理
  • python图像字符分割,python的分割函数
  • python视频清晰度增强,python图像清晰化处理
  • python图像绘制直方图,python画正方形并涂色
  • python图像处理教程,图形图像软件下载安装,python图像处理教程,图形图像软件下载不了
  • Python图像处理代码,数字图像处理python代码下载
  • 图像位置识别Python,python图像识别与提取特征部分教程
  • opencv识别颜色,python图像颜色识别
  • python图像识别并分类,python垃圾分类图像识别算法
  • python图像识别与提取数据,图像识别特征提取方法
  • python图像的字符画绘制程序代码,python绘制文字的代码
  • python图像分类识别,Python识别
  • python opencv改变图像尺寸,python图像边缘opencv
  • Python拼图,python图像处理拼图
    • 留言与评论（共有 条评论）
       
    验证码：