簡介：圖像二值化就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果的過程。

普通圖像二值化

代碼如下：

import cv2 as cvimport numpy as np#全局閾值def threshold_demo(image): gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #把輸入圖像灰度化 #直接閾值化是對輸入的單通道矩陣逐像素進行閾值分割。 ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE) print('threshold value %s'%ret) cv.namedWindow('binary0', cv.WINDOW_NORMAL) cv.imshow('binary0', binary)#局部閾值def local_threshold(image): gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #把輸入圖像灰度化 #自適應閾值化能夠根據(jù)圖像不同區(qū)域亮度分布，改變閾值 binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY, 25, 10) cv.namedWindow('binary1', cv.WINDOW_NORMAL) cv.imshow('binary1', binary)#用戶自己計算閾值def custom_threshold(image): gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #把輸入圖像灰度化 h, w =gray.shape[:2] m = np.reshape(gray, [1,w*h]) mean = m.sum()/(w*h) print('mean:',mean) ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY) cv.namedWindow('binary2', cv.WINDOW_NORMAL) cv.imshow('binary2', binary)src = cv.imread(’E:/imageload/kobe.jpg’)cv.namedWindow(’input_image’, cv.WINDOW_NORMAL) #設置為WINDOW_NORMAL可以任意縮放cv.imshow(’input_image’, src)threshold_demo(src)local_threshold(src)custom_threshold(src)cv.waitKey(0)cv.destroyAllWindows()

運行結果：

注意：

1.全局閾值

①OpenC的threshold函數(shù)進行全局閾值。其函數(shù)原型為：threshold(src, thresh, maxval, type[, dst]) -> retval, dst

src參數(shù)表示輸入圖像（多通道，8位或32位浮點）。

thresh參數(shù)表示閾值。

maxval參數(shù)表示與THRESH_BINARY和THRESH_BINARY_INV閾值類型一起使用設置的最大值。

type參數(shù)表示閾值類型。

retval參數(shù)表示返回的閾值。若是全局固定閾值算法，則返回thresh參數(shù)值。若是全局自適應閾值算法，則返回自適應計算得出的合適閾值。

dst參數(shù)表示輸出與src相同大小和類型以及相同通道數(shù)的圖像。

②type參數(shù)閾值類型這部分參考博客：https://blog.csdn.net/iracer/article/details/49232703 ，寫的很不錯。

閾值類型：

閾值類型圖示：

③type參數(shù)單獨選擇上述五種閾值類型時，是固定閾值算法，效果比較差。

此外還有自適應閾值算法：（自適應計算合適的閾值，而不是固定閾值）

比如結合cv.THRESH_OTSU，寫成cv.THRESH_BINARY | cv.THRESH_OTSU。例子：ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU) #大律法,全局自適應閾值,第二個參數(shù)值0可改為任意數(shù)字但不起作用。

比如結合cv.THRESH_TRIANGLE，寫成cv.THRESH_BINARY | cv.THRESH_TRIANGLE。例子：ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE) #TRIANGLE法,全局自適應閾值,第二個參數(shù)值0可改為任意數(shù)字但不起作用，適用于單個波峰。

補：

cv.THRESH_OTSU和cv.THRESH_TRIANGLE也可單獨使用，不一定要寫成和固定閾值算法結合的形式。單獨寫和結合起來寫，都是自適應閾值算法優(yōu)先。

例子：ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #大律法 ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_TRIANGLE) #TRIANGLE法

2.局部閾值

OpenCV的adaptiveThreshold函數(shù)進行局部閾值。函數(shù)原型為：adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

src參數(shù)表示輸入圖像（8位單通道圖像）。

maxValue參數(shù)表示使用 THRESH_BINARY 和 THRESH_BINARY_INV 的最大值.

adaptiveMethod參數(shù)表示自適應閾值算法，平均 （ADAPTIVE_THRESH_MEAN_C）或高斯（ADAPTIVE_THRESH_GAUSSIAN_C）。

thresholdType參數(shù)表示閾值類型，必須為THRESH_BINARY或THRESH_BINARY_INV的閾值類型。

blockSize參數(shù)表示塊大小（奇數(shù)且大于1，比如3，5，7........ ）。

C參數(shù)是常數(shù)，表示從平均值或加權平均值中減去的數(shù)。 通常情況下，這是正值，但也可能為零或負值。

補：在使用平均和高斯兩種算法情況下，通過計算每個像素周圍blockSize x blockSize大小像素塊的加權均值并減去常量C即可得到自適應閾值。如果使用平均的方法，則所有像素周圍的權值相同；如果使用高斯的方法，則每個像素周圍像素的權值則根據(jù)其到中心點的距離通過高斯方程得到。

參考：https://blog.csdn.net/guduruyu/article/details/68059450

3.numpy的reshape函數(shù)是給數(shù)組一個新的形狀而不改變其數(shù)據(jù)，函數(shù)原型：reshape(a, newshape, order=’C’)

a參數(shù)表示需要重新形成的原始數(shù)組。

newshape參數(shù)表示int或int類型元組（tuple），若為(1, 3),表示生成的新數(shù)組是1行3列。

order參數(shù)表表示使用此索引順序讀取a的元素，并使用此索引順序將元素放置到重新形成的數(shù)組中。

函數(shù)返回值：如果可能的話，這將是一個新的視圖對象; 否則，它會成為副本。

以上就是Python+OpenCV圖像處理——圖像二值化的實現(xiàn)的詳細內容，更多關于python 圖像二值化的資料請關注好吧啦網其它相關文章！