opencv二值化实验

1二值化说明

二值化，顾名思义，就是将某张图像的所有像素改成只有两种值之一，其操作的图像也必须是灰度图。也就是说，二值化的过程，就是将一张灰度图上的像素根据某种规则修改为0和maxval（maxval表示最大值，一般为255，显示白色）两种像素值，使图像呈现黑白的效果，能够帮助我们更好地分析图像中的形状、边缘和轮廓等特征。

在本实验中，使用了六种不同的方式来对灰度图进行二值化。

分别为：

• 1.阈值法（THRESH_BINARY）
• 2.反阈值法（THRESH_BINARY_INV）
• 3. 截断阈值法（THRESH_TRUNC）
• 4. 低阈值零处理（THRESH_TOZERO）
• 5. 超阈值零处理（THRESH_TOZERO_INV）
• 6. OTSU阈值法

2 阈值法（THRESH_BINARY）

阈值法就是通过设置一个阈值，将灰度图中的每一个像素值与该阈值进行比较，小于等于阈值的像素就被设置为0（黑），大于阈值的像素就被设置为maxval。

代码如下：

'''阈值法'''#二值化实验必须是在灰度图的基础上进行二值处理#直接读取灰度图img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#进行二值处理使用cv2.threshold（）方法返回值为元组，第二个元素才是想要的二值图_,img_b=cv2.threshold(img,127,255,cv2.THRESH_BINARY)#小于127的像素点变为127，超过127的像素点变为255cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

threshold参数说明：

• 参数1：是要做二值化处理的灰度图
• 参数2：设置的阈值，并且是小于这个值的像素点变为这个值
• 参数3 表示超过阈值的像素点的值变为参数3的这个值
• 参数4：表示要进行二值化处理的类型

注意：

• 二值化实验的进行处理的原图必须是灰度图
• threshold的返回值为两个值的元组，第二个值才是处理完后的二值图
• 二值图不是只有0和255的组合，只要是任意两个0-255的组合都可以

3.反阈值法（THRESH_BINARY_INV）

顾名思义，就是与阈值法相反。反阈值法是当灰度图的像素值大于阈值时，该像素值将会变成0（黑），当灰度图的像素值小于等于阈值时，该像素值将会变成maxval。

代码如下：

 '''反阈值法'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#小于127的像素点变为255，超过127的像素点变为127_,img_b=cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

反阈值法就是跟阈值法相反，低于阈值的设置为另一个值，超过阈值的设置为阈值的 值

4截断阈值法（THRESH_TRUNC）

截断阈值法，指将灰度图中的所有像素与阈值进行比较，像素值大于阈值的部分将会被修改为阈值，小于等于阈值的部分不变。换句话说，经过截断阈值法处理过的二值化图中的最大像素值就是阈值。

代码如下：

  '''截断阈值法'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#超过阈值的像素点设置为阈值，没有超过的不变，这里的255只是作为一个threshold的参数_,img_b=cv2.threshold(img,150,255,cv2.THRESH_TRUNC)cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

注意：

• 截断阈值法（cv2.THRESH_TRUNC）和灰度图相似有多种颜色
• 超过阈值的像素点设置为阈值，没有超过的不变，这里的参数3只是作为一个threshold的参数，在这个方法中不起作用

5 低阈值零处理（THRESH_TOZERO）

低阈值零处理，字面意思，就是像素值小于等于阈值的部分被置为0（也就是黑色），大于阈值的部分不变。

代码如下：

 '''低阈值零处理法'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#小于或等于阈值的像素点设置为0，超过的不变，这里的255只是作为一个threshold的参数_,img_b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO)cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

注意：
-低阈值零处理（cv2.THRESH_TOZERO） 小于或等于阈值的像素点设置为0，超过的不变，这里的参数3只是作为一个threshold的参数，在这个方法中不起作用

6 超阈值零处理（THRESH_TOZERO_INV）

超阈值零处理就是将灰度图中的每个像素与阈值进行比较，像素值大于阈值的部分置为0（也就是黑色），像素值小于等于阈值的部分不变。

和低阈值零处理（cv2.THRESH_TOZERO）方法相反

代码如下：

 '''超阈值零处理'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#大于或等于阈值的像素点设置为0，没超过的不变，这里的255只是作为一个threshold的参数_,img_b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

以上介绍的二值化方法都需要手动设置阈值，但是在不同的环境下，摄像头拍摄的图像可能存在差异，导致手动设置的阈值并不适用于所有图像，这可能会导致二值化效果不理想。因此，我们需要一种能自动计算每张图片阈值的二值化方法，能够根据每张图像的特点 自动计算出适合该图像的二值化阈值，从而达到更好的二值化效果。这种二值化方法可以在不同环境下适用，提高图像处理的准确性和鲁棒性。

7 OTSU阈值法

OTSU算法的具体实现

通过OTSU算法得到阈值之后，就可以结合上面的方法根据该阈值进行二值化，在本实验中**有THRESH_OTSU和THRESH_INV_OTSU两种方法，**就是在计算出阈值后结合了阈值法和反阈值法。

注意：使用OTSU算法计算阈值时，组件中的thresh参数将不再有任何作用。

代码如下：

  '''OSTU阈值处理'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#127不使用,超过阈值的设置为255  _,img_b=cv2.threshold(img,127,255,cv2.THRESH_OTSU)cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

8 自适应二值化

与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片，因为图片的明暗不均，导致图片上的每一小部分都要使用不同的阈值进行二值化处理，这时候传统的二值化算法就无法满足我们的需求了，于是就出现了自适应二值化。

自适应二值化方法会对图像中的所有像素点计算其各自的阈值，这样能够更好的保留图片里的一些信息。自适应二值化组件内容如下图所示：

方法的格式如下：

cv2.adaptiveThreshold(image_np_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10)

其中各个参数的含义如下：

maxval：最大阈值，一般为255

adaptiveMethod：小区域阈值的计算方式：

ADAPTIVE_THRESH_MEAN_C：小区域内取均值

ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核

thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法

blockSize：选取的小区域的面积，如7就是7*7的小块。

c：最终阈值等于小区域计算出的阈值再减去此值

8.1取均值(ADAPTIVE_THRESH_GAUSSIAN_MEAN_C)

假如我们使用的小区域是3*3的，那么就会从图片的左上角开始（也就是像素值为162的地方）计算其邻域内的平均值，如果处于边缘地区就会对边界进行填充，填充值就是边界的像素点，如下图所示：

代码如下：

'''自适应阈值法——取均值'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)#127不使用,超过阈值的设置为255  img_b=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,2)#3表示一个正方形的边长（也称为卷积核）必须是奇数 2是一个常数cv2.imshow("img",img)cv2.imshow("img_b",img_b)cv2.waitKey(0)

注意：
cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,3,2)

• 参数2： 255: 输出图像的最大值。在二值化后，超过自适应阈值的像素会被设置为该最大值，通常为255表示白色；未超过阈值的像素将被设置为0，表示黑色。
• 参数3 ：表示自适应二值法的类型
• 参数4：表示使用阈值法的类型
• 参数5：表示一个卷积核，表示计算每个像素阈值时所考虑的7x7邻域大小（正方形区域的宽度和高度），其值必须是奇数。
• 参数6：是一个最终阈值减去的常数

8.2加权求和（ADAPTIVE_THRESH_GAUSSIAN_C）

加权求和的原理
首先还是对边界进行填充，然后计算原图中的左上角（也就是162像素值的位置）的二值化阈值，其计算过程如上图所示，再然后根据选择的二值化方法对左上角的像素点进行二值化，之后核向右继续计算第二个像素点的阈值，第三个像素点的阈值…直到右下角（也就是155像素值的位置）为止。

当核的大小不同时，仅仅是核的参数会发生变化，计算过程与此是一样的。

代码如下：

 '''自适应二值化——加权值（高斯求和）'''img=cv2.imread(r'../15day4.10/src/flower.png',cv2.IMREAD_GRAYSCALE)img_b=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,3,2)#3表示一个正方形的边长（也称为卷积核）必须是奇数 2是一个常数cv2.imshow("img_b",img_b)cv2.imshow("img",img)cv2.waitKey(0)