OpenCV图像处理技术（Python）——阈值与平滑处理 OpenCV图像处理技术（Python）—

OpenCV图像处理技术（Python）——阈值与平滑处理
? Fu Xianjun. All Rights Reserved.

文章目录

学习目标
学习内容
- 1.阈值处理
- 2.自适应阈值
- 3.Otsu阈值处理
- 4.平滑处理
总结

学习目标 1.能够使用相关函数实现图像阈值处理
2.能够根据图像选择适合的方法进行阈值处理
3.能够使用相关函数实现图像平滑处理
4.能使用滑块进行平滑处理
学习内容 1.阈值处理 ret, dst = cv2.threshold(src, thresh, maxval, type)
代码理解：
src：输入图，只能输入单通道图像，通常来说为灰度图
dst：输出图
thresh：阈值
maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV THRESH_BINARY的反转
【OpenCV图像处理技术（Python）——阈值与平滑处理】cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

import cv2 import numpy as np

peppa = cv2.imread('peppa.jpg') img=cv2.cvtColor(peppa,cv2.COLOR_BGR2GRAY) cv2.imshow('Peppa',img) ret,thresh1 = cv2.threshold(img,200,255,cv2.THRESH_BINARY) ret,thresh2 = cv2.threshold(img,200,255,cv2.THRESH_BINARY_INV) ret,thresh3 = cv2.threshold(img,200,255,cv2.THRESH_TRUNC) ret,thresh4 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO) ret,thresh5 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO_INV) cv2.imshow('BINARY',thresh1) cv2.imshow('BINARY_INV',thresh2) peppa_body=cv2.bitwise_and(peppa,peppa,mask=thresh2) cv2.imshow('peppa_body',peppa_body) cv2.waitKey() cv2.destroyAllWindows()

以下是运行结果：

文章图片

滑块处理

import cv2 Type=0#阈值处理类型值 Value=https://www.it610.com/article/0 #使用的阈值 def onType(a): Type= cv2.getTrackbarPos(tType, windowName) Value= cv2.getTrackbarPos(tValue, windowName) ret, dst = cv2.threshold(img, Value,255, Type) cv2.imshow(windowName,dst)def onValue(a): Type= cv2.getTrackbarPos(tType, windowName) Value= cv2.getTrackbarPos(tValue, windowName) ret, dst = cv2.threshold(img, Value, 255, Type) cv2.imshow(windowName,dst)img = cv2.imread("peppa.jpg",0) windowName = "Peppa"#窗体名 cv2.namedWindow(windowName) cv2.imshow(windowName,img) #创建两个滑动条 tType = "Type"#用来选取阈值处理类型的滚动条 thttps://www.it610.com/article/Value = "Value"#用来选取阈值的滚动条 cv2.createTrackbar(tType, windowName, 0, 4, onType) cv2.createTrackbar(tValue, windowName,0, 255, onValue) cv2.waitKey() cv2.destroyAllWindows()

以下是运行结果：

文章图片

2.自适应阈值 cv2.adaptiveThreshold()

img=cv2.imread('peppa.jpg',0) athdMEAN=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,7,5) athdGAUS=cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,5,3) cv2.imshow("athMEAN",athdMEAN) cv2.imshow("athGAUS",athdGAUS) cv2.waitKey(0) cv2.destroyAllWindows()

以下是运行结果：

文章图片

3.Otsu阈值处理

img=cv2.imread('peppa.jpg',0) ret,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) cv2.imshow("img",img) cv2.imshow("otsu",otsu) cv2.waitKey(0) cv2.destroyAllWindows()

以下是运行结果：

文章图片

4.平滑处理模糊处理

import cv2 import numpy as np img = cv2.imread("peppa_gaussian.jpg") blur = cv2.blur(img, (7, 7)) box = cv2.boxFilter(img,-1,(7,7), normalize=True) gaussian = cv2.GaussianBlur(img, (7, 7), 10) median = cv2.medianBlur(img, 7) bilater=cv2.bilateralFilter(img,9,75,75) kernel = np.array(( [-2, -1, 0], [-1,1,1], [0, 1, 2]), dtype="float32") filter2D=cv2.filter2D(img,-1,kernel)#https://my.oschina.net/u/4306156/blog/3598055 cv2.imshow('img',img) cv2.imshow('blur',blur) cv2.imshow('box',box) cv2.imshow('gaussian',gaussian) cv2.imshow('median',median) cv2.imshow('bilater',bilater) cv2.imshow('filter2D',filter2D) cv2.waitKey() cv2.destroyAllWindows()

以下是运行结果：

总结今天学习了OpenCV之中的阈值与平滑处理，学会如何剔除图像内像素值高于一定值或者低于一定值的像素点。在这里感谢傅老师。