使用opencv 得到二值化图像
opencv二值化几种方法：
1，简单阈值二值化
函数原型：cv2.Threshold(src, dst, threshold, maxValue, thresholdType)
参数：
src–源数组（单通道，32位浮点中的8位）。
dst–与src大小和类型相同的目标数组。
thresh–阈值。
maxVal–用于THRESH_BINARY和THRESH_BINARY_INV阈值类型的最大值。
thresholdType–阈值类型（请参阅下面的详细信息）。
示例代码：
import cv2
import os
from matplotlib import pyplot as plt
imagePath1 = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath("."))),"20180425193352524.png")
image1 = cv2.imread(imagePath1,cv2.IMREAD_GRAYSCALE)
ret,thresh1=cv2.threshold(image1,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(image1,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(image1,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(image1,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(image1,127,255,cv2.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [image1, 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()
运行结果如下：
2，自适应阈值二值化
在前面的部分我们使用的是全局阈值，整幅图像采用同一个数作为阈值。但是这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分具有不同亮度时。这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。
函数原型：
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])
src–源8位单通道图像。
dst–与src大小和类型相同的目标图像。
maxValue–指定给满足条件的像素的非零值。请参阅以下详细信息。
adaptiveMethod–要使用的自适应阈值算法，Adaptive_THRESH_MEAN_C或Adaptive_THRESH_GASSIAN_C。请参阅以下详细信息。
thresholdType–阈值类型，必须为THRESH_BINARY或THRESH_BINARY_INV。
blockSize–用于计算像素阈值的像素邻域的大小：3、5、7，依此类推。
C–从平均值或加权平均值中减去的常数（见下文详细信息）。通常情况下，它是正的，但也可能是零或负的。
该函数根据以下公式将灰度图像转换为二进制图像：
其中T（x，y）是针对每个像素单独计算的阈值：
对于方法ADAPTIVE_THRESH_MEAN_C，阈值T（x，y）是（x，y）减去C的 邻域的平均值。
对于方法ADAPTIVE_THRESH_GUSSIAN_C，阈值T（x，y）是（x，y）减去C的邻域的加权和（与高斯窗口的互相关）。默认的西格玛（标准偏差）用于指定的块大小。请参阅getGaussianKernel（）。
示例代码如下：
import cv2
import os
from matplotlib import pyplot as plt
imagePath1 = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath("."))),"20180425193352524.png")
image1 = cv2.imread(imagePath1,cv2.IMREAD_COLOR)
image1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY)
ret,th1 = cv2.threshold(image1,127,255,cv2.THRESH_BINARY)
#11 为Block Size，2 为 C 值
th2 = cv2.adaptiveThreshold(image1,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2) #图像必须转成灰度图
th3 = cv2.adaptiveThreshold(image1,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,15,2) #图像必须转成灰度图
titles = ["original Image","Global Thresholding(v = 127)","Adaptive Mean Thresholding","Adaptive Thresholding "]
images = [image1,th1,th2,th3]
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()
结果如下：
3，使用cv2.inrange
函数原型：cv2.inRange(src, lowerb, upperb[, dst])
参数：
src–第一个源数组。
lowerb–包含下边界数组或标量。
upperb–包含上边界数组或标量。
dst–与src和CV_8U类型大小相同的目标数组。
该功能检查范围如下：
对于单通道输入阵列的每个元素：
对于两个通道阵列：
也就是说，如果src（I）在指定的1D、2D、3D、…框内，dst（I）被设置为255（all 1 -bits）。。。，否则为0。
当下限和/或上限参数是标量时，应省略上述公式中位于下限和上限b的索引（I）。
示例代码：
import cv2
import os
import numpy as np
from matplotlib import pyplot as plt
imagePath1 = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath("."))),"20180425193352524.png")
image1 = cv2.imread(imagePath1,cv2.IMREAD_COLOR)
image = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY)
blackLow = np.array([0 ,0 ,0] ,np.uint8)
blackUp = np.array([160 ,255 ,100] ,np.uint8)
thresh = cv2.inRange(image1 ,blackLow, blackUp)
titles = ["original Image","Thresholding"]
images = [image,thresh]
for i in range(2):
plt.subplot(2,2,i+1),plt.imshow(images[i],"gray")
plt.title(titles[i])
plt.xticks([]),plt.yticks([])
plt.show()
运行结果：
好文链接
发表评论