python-opencv,opencv+python
阈值处理是将图像分为前景和背景的一种简单而有效的方法。图像分割通常用于根据物体的某些属性(如颜色、边缘或直方图)从背景中提取物体。本文将详细介绍OpenCV中的阈值处理，有需要的可以参考。
00-1010阈值技术简介简单阈值技术类型简单阈值技术的实际应用
目录
图像分割是许多计算机视觉应用中的关键处理步骤。它通常用于将图像划分为不同的区域，这些区域通常对应于现实世界中的对象。因此，图像分割是图像识别和内容分析的重要步骤。图像阈值是一种简单而有效的图像分割方法，它根据像素的亮度值进行分割。在本文中，我们将介绍OpenCV提供的主要阈值技术，这些技术可以作为计算机视觉应用中图像分割的关键部分。
前言
阈值处理是将图像分为前景和背景的一种简单而有效的方法。图像分割通常用于根据物体的某些属性(如颜色、边缘或直方图)从背景中提取物体。最简单的阈值方法使用预定义的常数(阈值)。如果像素强度小于阈值，它将被黑色像素取代，如果像素强度大于阈值，它将被白色像素取代。OpenCV提供了cv2.threshold()函数对图像进行阈值处理。
为了测试cv2.threshold()函数，第一次创建了一个测试图像，它包含一些相同大小的区域，用不同的灰色调填充。build_sample_image()函数用于构建这个测试映像：
def构建_样本_图像():
创建一个相同大小的区域，填充不同的灰色调作为测试图像
#定义不同的区域
音调=np.arange(开始=50，停止=300，步进=50)
#初始化
result=np.zeros((50，50，3)，dtype=uint8 )
对于tones:中的音调
img=np.ones((50，50，3)，dtype=uint8) * tone
#沿轴连接阵列
result=np.concatenate((result，img)，轴=1)
回送结果
接下来，将使用不同的预定义阈值：0、50、100、150、200和250来调用cv2.threshold()函数，以查看不同的预定义阈值对阈值图像的影响。例如，用阈值thresh=50对图像进行阈值处理：
ret1，thresh 1=cv2 . threshold(gray _ image，50，255，cv2。THRESH_BINARY)
其中thresh1是仅包含黑色和白色的阈值图像。在源gray_image中，灰度小于50的像素为黑色，灰度大于50的像素为白色。
通过使用多个不同的阈值对图像进行阈值处理：
#可视化功能
def show _ img _ with _ matplotlib(color _ img，title，pos):
img_RGB=color_img[:-1]
ax=plt.subplot(7，1，pos)
plt.imshow(img_RGB)
plt.title(title，fontsize=8)
plt.axis(“关”)
#使用build_sample_image()函数构建一个测试映像
image=build _样本_图像()
gray_image=cv2.cvtColor(image，cv2。COLOR_BGR2GRAY)
对于范围(6):中的I
#用多个不同的阈值对图像进行阈值处理
ret，thresh=cv2 . threshold(gray _ image，50 * i，255，cv2。THRESH_BINARY)
#可视化
show _ img _ with _ matplotlib(cv2 . CVT color(thresh，cv2。COLOR_GRAY2BGR)， threshold={
}".format(i * 50), i + 2)
# 可视化测试图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img with tones of gray - left to right: (0,50,100,150,200,250)", 1)
# 图像进行阈值处理后，常见的输出是黑白图像
# 因此，为了更好的可视化效果，修改背景颜色
fig.patch.set_facecolor(silver)
plt.show()
从上图可以看出，根据阈值和样本图像灰度值的不同，阈值处理后生成的黑白图像的变化情况。
简单的阈值技术
上一节中，我们已经简单介绍过了 OpenCV 中提供的简单阈值处理函数——cv2.threshold()，该函数用法如下：
cv2.threshold(src, thresh, maxval, type, dst=None) -> retval, dst
cv2.threshold() 函数对 src 输入数组(可以为单通道或多通道图像)应用预定义常数 thresh 设置的阈值；type 参数用于设置阈值类型，阈值类型的可选值如下：cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO、cv2.THRESH_TOZERO_INV、cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE。
maxval 参数用于设置最大值，其仅在阈值类型为 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 时有效；需要注意的是，在阈值类型为 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 时，输入图像 src 应为为单通道。
阈值类型
为了更好的了解阈值操作的不同类型，接下来给出每种阈值类型的具体公式。符号说明：src 是源(原始)图像，dst 对应于阈值化后的目标(结果)图像，因此，src(x, y) 对应于源图像像素 (x, y) 处的强度，而 dst(x, y) 对应于目标图像像素 (x, y) 处的强度。
阈值类型 cv2.THRESH_BINARY 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度 dst(x,y) 将被设为 maxval；否则，设为 0。
阈值类型 cv2.THRESH_BINARY_INV 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度 dst(x,y) 将被设为 0；否则，设为 maxval。
阈值类型 cv2.THRESH_TRUNC 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素强度设置为 threshold；否则，设为 src(x, y)。
阈值类型 cv2.THRESH_TOZERO 公式如下：
其表示，如果像素 src(x, y) 的强度高于 thresh，则目标图像像素值将设置为 src(x, y)；否则，设置为 0 。
阈值类型 cv2.THRESH_TOZERO_INV 公式如下：
其表示，如果像素 src(x, y) 的强度大于 thresh，则目标图像像素值将设置为 0；否则，设置为 src(x, y)。
而 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 属于特殊的阈值类型，它们可以与上述阈值类型( cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV)进行组合。组合后，阈值处理函数 cv2.threshold() 将只能处理单通道图像，且计算并返回最佳阈值，而非指定阈值。
接下来使用不同阈值类型对同样的测试图像进行阈值处理，观察不同阈值处理效果：
ret1, thresh1 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY)ret2, thresh2 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY)
ret3, thresh3 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY_INV)
ret4, thresh4 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY_INV)
ret5, thresh5 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TRUNC)
ret6, thresh6 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TOZERO)
ret7, thresh7 = cv2.threshold(gray_image,100,255, cv2.THRESH_TOZERO_INV)
# 可视化
show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 255", 2)
show_img_with_matplotlib(cv2.cvtColor(thresh2, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 220", 3)
show_img_with_matplotlib(cv2.cvtColor(thresh3, cv2.COLOR_GRAY2BGR), "THRESH_BINARY_INV - thresh = 100", 4)
# 其他图像可视化方法类似，不再赘述
# ...
如上图所示，maxval 参数仅在使用 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 阈值类型时有效，上例中将 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 类型的 maxval 值设置为 255 及 220，以便查看阈值图像在这两种情况下的变化情况。
简单阈值技术的实际应用
了解 cv2.threshold() 不同参数的工作原理后，我们将 cv2.threshold() 应用于真实图像，并使用不同的阈值：
# 加载图像image = cv2.imread(example.png)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 绘制灰度图像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)
# 使用不同的阈值调用 cv2.threshold() 并进行可视化
for i in range(8):
ret, thresh = cv2.threshold(gray_image, 130 + i * 10, 255, cv2.THRESH_BINARY)
show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(130 + i * 10), i + 2)
以上就是Python OpenCV阈值处理详解的详细内容，更多关于OpenCV阈值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。