Python OpenCV閾值處理詳解
前言
圖像分割是許多計算機視覺應用中的關鍵處理步驟，通常用于將圖像劃分為不同的區(qū)域，這些區(qū)域常常對應于真實世界的對象。因此，圖像分割是圖像識別和內容分析的重要步驟。圖像閾值是一種簡單、有效的圖像分割方法，其中像素根據其強度值進行分區(qū)。在本文中，將介紹 OpenCV 所提供的主要閾值技術，可以將這些技術用作計算機視覺應用程序中圖像分割的關鍵部分。
閾值技術簡介
閾值處理是一種簡單、有效的將圖像劃分為前景和背景的方法。圖像分割通常用于根據對象的某些屬性(例如，顏色、邊緣或直方圖)從背景中提取對象。最簡單的閾值方法會利用預定義常數(shù)(閾值)，如果像素強度小于閾值，則用黑色像素替換，如果像素強度大于閾值，則用白色像素替換。OpenCV 提供了 cv2.threshold() 函數(shù)來對圖像進行閾值處理。
為了測試 cv2.threshold() 函數(shù)，首次創(chuàng)建測試圖像，其包含一些填充了不同的灰色調的大小相同的區(qū)域，利用 build_sample_image() 函數(shù)構建此測試圖像：
def build_sample_image():
"""創(chuàng)建填充了不同的灰色調的大小相同的區(qū)域，作為測試圖像"""
# 定義不同區(qū)域
tones = np.arange(start=50, stop=300, step=50)
# 初始化
result = np.zeros((50, 50, 3), dtype="uint8")
for tone in tones:
img = np.ones((50, 50, 3), dtype="uint8") * tone
# 沿軸連接數(shù)組
result = np.concatenate((result, img), axis=1)
return result接下來將使用不同的預定義閾值： 0 、 50 、 100 、 150 、 200 和 250 調用 cv2.threshold() 函數(shù)，以查看不同預定義閾值對閾值圖像影響。例如，使用閾值 thresh = 50 對圖像進行閾值處理：
ret1, thresh1 = cv2.threshold(gray_image, 50, 255, cv2.THRESH_BINARY)
其中，thresh1 是僅包含黑白色的閾值圖像。源圖像 gray_image 中灰色強度小于 50 的像素為黑色，強度大于 50 的像素為白色。
使用多個不同閾值對圖像進行閾值處理：
# 可視化函數(shù)
def show_img_with_matplotlib(color_img, title, pos):
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(7, 1, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=8)
plt.axis('off')
# 使用 build_sample_image() 函數(shù)構建測試圖像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
for i in range(6):
# 使用多個不同閾值對圖像進行閾值處理
ret, thresh = cv2.threshold(gray_image, 50 * i, 255, cv2.THRESH_BINARY)
# 可視化
show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(i * 50), i + 2)
# 可視化測試圖像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img with tones of gray - left to right: (0,50,100,150,200,250)", 1)
# 圖像進行閾值處理后，常見的輸出是黑白圖像
# 因此，為了更好的可視化效果，修改背景顏色
fig.patch.set_facecolor('silver')
plt.show()
從上圖可以看出，根據閾值和樣本圖像灰度值的不同，閾值處理后生成的黑白圖像的變化情況。
簡單的閾值技術
上一節(jié)中，我們已經簡單介紹過了 OpenCV 中提供的簡單閾值處理函數(shù)——cv2.threshold()，該函數(shù)用法如下：
cv2.threshold(src, thresh, maxval, type, dst=None) -> retval, dst
cv2.threshold() 函數(shù)對 src 輸入數(shù)組(可以為單通道或多通道圖像)應用預定義常數(shù) thresh 設置的閾值；type 參數(shù)用于設置閾值類型，閾值類型的可選值如下：cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO、cv2.THRESH_TOZERO_INV、cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE。
maxval 參數(shù)用于設置最大值，其僅在閾值類型為 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 時有效；需要注意的是，在閾值類型為 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 時，輸入圖像 src 應為為單通道。
閾值類型
為了更好的了解閾值操作的不同類型，接下來給出每種閾值類型的具體公式。符號說明：src 是源(原始)圖像，dst 對應于閾值化后的目標(結果)圖像，因此，src(x, y) 對應于源圖像像素 (x, y) 處的強度，而 dst(x, y) 對應于目標圖像像素 (x, y) 處的強度。
閾值類型 cv2.THRESH_BINARY 公式如下：
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標圖像像素強度 dst(x,y) 將被設為 maxval；否則，設為 0。
閾值類型 cv2.THRESH_BINARY_INV 公式如下：
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標圖像像素強度 dst(x,y) 將被設為 0；否則，設為 maxval。
閾值類型 cv2.THRESH_TRUNC 公式如下：
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標圖像像素強度設置為 threshold；否則，設為 src(x, y)。
閾值類型 cv2.THRESH_TOZERO 公式如下：
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標圖像像素值將設置為 src(x, y)；否則，設置為 0 。
閾值類型 cv2.THRESH_TOZERO_INV 公式如下：
其表示，如果像素 src(x, y) 的強度大于 thresh，則目標圖像像素值將設置為 0；否則，設置為 src(x, y)。
而 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 屬于特殊的閾值類型，它們可以與上述閾值類型( cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV)進行組合。組合后，閾值處理函數(shù) cv2.threshold() 將只能處理單通道圖像，且計算并返回最佳閾值，而非指定閾值。
接下來使用不同閾值類型對同樣的測試圖像進行閾值處理，觀察不同閾值處理效果：
ret1, thresh1 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY) ret2, thresh2 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY) ret3, thresh3 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY_INV) ret4, thresh4 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY_INV) ret5, thresh5 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TRUNC) ret6, thresh6 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TOZERO) ret7, thresh7 = cv2.threshold(gray_image,100,255, cv2.THRESH_TOZERO_INV) # 可視化 show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 255", 2) show_img_with_matplotlib(cv2.cvtColor(thresh2, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 220", 3) show_img_with_matplotlib(cv2.cvtColor(thresh3, cv2.COLOR_GRAY2BGR), "THRESH_BINARY_INV - thresh = 100", 4) # 其他圖像可視化方法類似，不再贅述 # ...
如上圖所示，maxval 參數(shù)僅在使用 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 閾值類型時有效，上例中將 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 類型的 maxval 值設置為 255 及 220，以便查看閾值圖像在這兩種情況下的變化情況。
簡單閾值技術的實際應用
了解 cv2.threshold() 不同參數(shù)的工作原理后，我們將 cv2.threshold() 應用于真實圖像，并使用不同的閾值：
# 加載圖像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 繪制灰度圖像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)
# 使用不同的閾值調用 cv2.threshold() 并進行可視化
for i in range(8):
ret, thresh = cv2.threshold(gray_image, 130 + i * 10, 255, cv2.THRESH_BINARY)
show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(130 + i * 10), i + 2)
以上就是Python OpenCV閾值處理詳解的詳細內容，更多關于OpenCV閾值處理的資料請關注腳本之家其它相關文章！
相關文章
Python 中的?itertools?庫為迭代器操作提供了豐富的工具集,使得處理迭代對象變得更加高效和靈活,本篇文章將深入討itertools庫的常用方法,通過詳實的示例代碼演示其在解決各種問題中的應用2024-01-01
本文主要介紹了Python隨機生成迷宮游戲的代碼示例，Python可以通過生成二維數(shù)組模擬迷宮的結構，使用深度優(yōu)先搜索和廣度優(yōu)先搜索等算法找到通路，文中通過示例代碼介紹的非常詳細，需要的朋友們下面隨著小編來一起學習學習吧2023-07-07
這篇文章主要介紹了python畫圖常規(guī)設置方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-03-03
這篇文章主要為大家詳細介紹了python讀取圖片任意范圍區(qū)域，以一維數(shù)組形式返回，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-01-01
這篇文章主要介紹了升級python導致Yum崩潰的三種解決辦法,文中通過代碼示例講解的非常詳細,對大家的學習或工作有一定的幫助,需要的朋友可以參考下2024-11-11
Django+Uwsgi+Nginx如何實現(xiàn)生產環(huán)境部署
這篇文章主要介紹了Django+Uwsgi+Nginx如何實現(xiàn)生產環(huán)境部署,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-07-07
Python使用multiprocessing實現(xiàn)多進程的詳細步驟記錄
multiprocessing包是Python中的多進程管理包,與threading.Thread類似,它可以利用multiprocessing.Process對象來創(chuàng)建一個進程,下面這篇文章主要給大家介紹了關于Python使用multiprocessing實現(xiàn)多進程的詳細步驟,需要的朋友可以參考下2024-08-08
這篇文章主要介紹了python實現(xiàn)狄克斯特拉算法。想了解數(shù)據結構和算法朋友可以參考下2021-04-04
這篇文章主要介紹了Python如何使用xlrd和xlwt庫讀寫excel文件問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-02-02
python Tcp協(xié)議發(fā)送和接收信息的例子
今天小編就為大家分享一篇python Tcp協(xié)議發(fā)送和接收信息的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07