1、什么是二值化處理

我們都知道，圖像是由矩陣構(gòu)成，矩陣中每個點的RGB值都不一樣，呈現(xiàn)出來的色彩不一樣，最終整體呈現(xiàn)給我們的就是一張彩色的圖像。所謂”二值化處理“就是將矩陣中每個點的RGB值（0，0，0）[黑色]或者（255，255，255）[白色]

2、為什么要進行二值化處理

早期人們使用計算機處理圖像是，實在圖像灰度化處理的基礎(chǔ)上在進行操作的，但是當時的硬件水平不足，所以處理速度很慢，于是人們引入了圖像二值化處理。二值化處理使得原本顏色的取值范圍從256種變?yōu)?種，確實是提高了計算速度，但是丟失的信息也多了，因此具體采用什么方式處理，要根據(jù)具體情況來選擇。

3、如何進行二值化處理

（1）簡單閾值

簡單閾值是選取一個全局閾值，然后把整幅圖像分成非黑即白的二值圖像，灰度值大于閾值就賦為255反之為0。

ret,mask = cv2.threshold(img2gray,175,255,cv2.THRESH_BINAR)

返回值一： 閾值，（Otsu‘s二值化會用到）
返回值二： 處理以后的圖像
參數(shù)一: 初始圖像
參數(shù)二：我們自己設(shè)定的閾值
參數(shù)三： 當圖像像素置超過我們的設(shè)定的閾值時賦為255
參數(shù)四 : 我們設(shè)定的二值化類型

注：cv2.threshold最后一個參數(shù)可以寫為0，1，2，3，4按順序?qū)?yīng)表格中的五種
代碼如下

import cv2
import matplotlib.pyplot as plt
img = cv2.imread('dog.jpeg', 0)  # 直接讀為灰度圖像
ret, thresh1 = cv2.threshold(img, 127, 255, 0)
ret, thresh2 = cv2.threshold(img, 127, 255, 1)
ret, thresh3 = cv2.threshold(img, 127, 255, 2)
ret, thresh4 = cv2.threshold(img, 127, 255, 3)
ret, thresh5 = cv2.threshold(img, 127, 255, 4)
titles = ['img', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, 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()

注：將閾值大于127的像素值置為255

（2）自適應(yīng)閾值

簡單閾值的方式過于粗魯，自適應(yīng)閾值更趨向于局部性的閾值，也就是說，將像素點的像素值與該點所在的區(qū)域的像素值的平均值（最大值，中位數(shù)等）決定該店屬于0還是1

th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,0,11,2)

返回值: 處理后返回的圖像
參數(shù)一： 原始圖像
參數(shù)二：像素值上限
參數(shù)三：自適應(yīng)方法
— cv2.ADAPTIVE_THRESH_MEAN_C ：領(lǐng)域內(nèi)均值
—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領(lǐng)域內(nèi)像素點加權(quán)和
參數(shù)四：賦值方式（參考簡單閾值中介紹的表格）
參數(shù)五：設(shè)定方陣的大?。ㄒ驗槭菍⒁粋€點與其周圍的方陣數(shù)據(jù)對比）
參數(shù)六：常數(shù)，每個區(qū)域計算出的閾值的基礎(chǔ)上在減去這個常數(shù)作為這個區(qū)域的最終閾值，可以為負數(shù)

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('dog.jpeg',0)
img = cv.medianBlur(img,5)
ret,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,0,11,2)
th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,0,11,2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, 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()

（3）Otsu’s二值化

對于簡單閾值，cv2.threshold()的第二個參數(shù)是我們自己設(shè)定的閾值范圍，一張圖片的最好的閾值分界線不是憑感覺看出來的，而是有合理的方式能找到的，threshold的第一個返回值就是處理圖片的閾值分界線。因此，只要在threshold函數(shù)的最后一個參數(shù)在原有的基礎(chǔ)上加上’cv2.THRESH_OTSU‘那么第一個返回值就是最佳閾值。直接看代碼更好理解。
注：OTSU非常適合灰度直方圖具有雙峰值的情況

import cv2
import matplotlib.pyplot as plt
img = cv2.imread('cat.jpg', 0)  # 直接讀為灰度圖像
# 簡單濾波
ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
print(ret1)
# Otsu 濾波
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(ret2)
plt.figure()
plt.subplot(221), plt.imshow(img,'gray')
plt.subplot(222), plt.hist(img.ravel(), 256)  # .ravel方法將矩陣轉(zhuǎn)化為一維
plt.subplot(223), plt.imshow(th1,'gray')
plt.subplot(224), plt.imshow(th2,'gray')
plt.show()

4、參考文獻：

https://numpy.org/doc/stable/reference/generated/numpy.hstack.html
https://zhuanlan.zhihu.com/p/360824614
https://blog.csdn.net/jjddss/article/details/72841
https://blog.csdn.net/li_l_il/article/details/86767790
https://blog.csdn.net/JNingWei/article/details/77747959
https://blog.csdn.net/weixin_35732969/article/details/83779660

聲明：部分圖像源自網(wǎng)絡(luò)，本文僅供學習交流使用，如果不妥，請聯(lián)系刪除。

到此這篇關(guān)于Python圖像處理之二值化處理的文章就介紹到這了,更多相關(guān)Python二值化處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論