本文主要介绍了图像阈值分割的一些基本操作以及一些滤波的函数。
图像阈值
ret, dst = cv2.threshold(src, thresh, maxval, type) • 1
- 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，就是怎么处理阈值，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
- 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 matplotlib.pyplot as plt img = cv2.imread('cat.jpg') img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow('img_gray)', img_gray) ret1, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) ret2, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV) ret3, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC) ret4, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO) ret5, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV) titles = ['Original Image', '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() cv2.waitKey(0) cv2.destroyAllWindows()
均值滤波(卷积核参数都是1)
blur = cv2.blur(img, (3, 3)) • 1
需要传入两个参数，一个是需要滤波的图像，一个是卷积核的大小。
方框滤波
基本和均值一样，可以选择归一化,容易越界,如果归一化normalize等于True，那么和均值滤波一样，如果normalize为False，那么大部分都将会发生越界的情况。
box = cv2.boxFilter(img,-1,(3,3), normalize=False) • 1
高斯滤波
高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian = cv2.GaussianBlur(img, (5, 5), 1) • 1
中值滤波
相当于用中值代替。
median = cv2.medianBlur(img, 5) # 中值滤波 • 1
展示所有的*
res = np.hstack((blur,aussian,median)) cv2.imshow('median vs average', res)
我的微信公众号名称：深度学习与先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究分享深度学习、机器博弈、强化学习等相关内容！期待您的关注，欢迎一起学习交流进步！
