OpenCV中图像的自适应处理、Otsu方法讲解与实战(附Python源码)

简介: OpenCV中图像的自适应处理、Otsu方法讲解与实战(附Python源码)

需要源码请点赞关注收藏后评论区留言私信~~~

一、自适应处理

很多时候图像色彩是不均衡的,如果只使用一种阈值处理类型,就无法得到清晰有效的结果

下面使用五种常用的阈值处理类型对色彩不均衡的图像进行处理

代码如下

import cv2
image = cv2.imread("4.27.png") # 读取4.27.png
image_Gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 将4.27.png转换为灰度图像
t1, dst1 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
t2, dst2 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_BINARY_INV) # 反二值化阈值处理
t3, dst3 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_TOZERO) # 低于阈值零处理
t4, dst4 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_TOZERO_INV) # 超出阈值零处理
t5, dst5 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_TRUNC) # 截断处理
# 分别显示经过5种阈值类型处理后的图像
cv2.imshow("BINARY", dst1)
cv2.imshow("BINARY_INV", dst2)
cv2.imshow("TOZERO", dst3)
cv2.imshow("TOZERO_INV", dst4)
cv2.imshow("TRUNC", dst5)
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 销毁所有窗口

从视觉上看,对于色彩不均衡的图像,虽然使用截断处理的效果是五种阈值处理类型中效果比较好的,但是有些轮廓依然模糊不清

OpenCV提供了一种改进的阈值处理技术,图像中的不同区域使用不同的阈值,把这种改进的阈值处理技术称作自适应处理,自适应处理是根据图像中某一个正方形区域内的所有像素值按照指定的算法计算得到的。自适应处理能更好的处理明暗分布不均匀的图像,获得更简单的图像效果

OpenCV提供了adaptiveThresHole方法对图像进行自适应处理 语法格式如下

dst=cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blocksize,C)

maxValue阈值处理采用的最大值

adaptiveMethod 自适应阈值的计算方法 如下图所示

blocksize 一个正方形区域的带线啊哦

C 常量 阈值等于均值或者加权值减去这个常量

自适应处理保留了图像中的更多细节信息,更明显的保留了灰度图像主题的轮廓

代码如下

import cv2
image = cv2.imread("4.27.png") # 读取4.27.png
image_Gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 将4.27.png转换为灰度图像
# 自适应阈值的计算方法为cv2.ADAPTIVE_THRESH_MEAN_C
athdMEAM = cv2.adaptiveThreshold\
    (image_Gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 3)
# 自适应阈值的计算方法为cv2.ADAPTIVE_THRESH_GAUSSIAN_C
athdGAUS = cv2.adaptiveThreshold\
    (image_Gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 5, 3)
# 显示自适应阈值处理的结果
cv2.imshow("MEAN_C", athdMEAM)
cv2.imshow("GAUSSIAN_C", athdGAUS)
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 销毁所有窗口

二、Otsu方法

逐个寻找最合适的阈值不仅工作量大,而且效率低,为此OpenCV提供了Otsu方法,Otsu方法能够遍历所有可能的阈值,从中找到最合适的阈值

Otsu方法与thrshold方法语法基本一致,只不过为type传递参数时,要多传递一个参数,它的作用就是实现Otsu方法的阈值处理

下面是一幅亮度较高的图像,分别对这副图像进行二值化处理和实现Otsu方法的阈值处理,对比处理后的图像的差异如下

通过上图可以发现,通过Otsu方法的阈值处理可以找到最合适的阈值,这样可以将图像主题的轮廓很好的保存下来,获得了比较好的处理效果

代码如下

import cv2
image = cv2.imread("4.36.jpg") # 读取4.36.jpg
image_Gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 将4.36.jpg转换为灰度图像
t1, dst1 = cv2.threshold(image_Gray, 127, 255, cv2.THRESH_BINARY) # 二值化阈值处理
# 实现Otsu方法的阈值处理
t2, dst2 = cv2.threshold(image_Gray, 0, 255, cv2.THRESH_BINARY  + cv2.THRESH_OTSU)
cv2.putText(dst2, "best threshold: " + str(t2), (0, 30),
         cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 0), 2) # 在图像上绘制最合适的阈值
cv2.imshow("BINARY", dst1) # 显示二值化阈值处理的图像
cv2.imshow("OTSU", dst2) # 显示实现Otsu方法的阈值处理
cv2.waitKey() # 按下任何键盘按键后
cv2.destroyAllWindows() # 销毁所有窗口

三、阈值处理的作用

阈值处理在计算机视觉技术中占有十分重要的位置,它是很多高级算法的底层处理逻辑之一,因为二值图像会忽略细节,放大特征,而很多高级算法要根据物体的轮廓来分析物体热症,所以二值图像非常适合做复杂的识别运算,在进行识别之前,应该先将图像转为灰度图像,再进行二值化处理,这样就得到了算法所需要物体的大概轮廓

下面利用阈值处理勾勒楼房和汽车的轮廓

从后面两幅图像可以看出,二值化处理后,图片只有纯黑和纯白两种颜色,图像中的楼房边缘变得更加鲜明,更容易被识别,地面因为颜色较深,所以大面积被涂黑,这样白色的汽车就与地面形成鲜明的反差,高级图像识别算法可以根据这种鲜明的像素变化提取特征,最后达到识别物体分类的目的

代码如下

import cv2
img = cv2.imread("car.jpg")  # 原始图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转为灰度图像
t1, dst1 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 二值化阈值处理
t2, dst2 = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)  # 反二值化阈值处理
cv2.imshow("img", img)  # 显示图像
cv2.imshow("gray", gray)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

总结

OpenCV提供了一个可以快速抠出图像主体线条的工具,这个工具就是阈值。在阈值的作用下,一幅彩色图像被转换为只有纯黑和纯白的二值图像。然而,灰度图像经5种阈值处理类型处理后,都无法得到图像主体的线条。为此,OpenCV提供了一种改进的阈值处理技术,即自适应处理,其关键在于对图像中的不同区域使用不同的阈值

创作不易 觉得有帮助请点赞关注收藏~~~

相关文章
|
15天前
|
机器学习/深度学习 数据采集 算法
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
57 19
|
12天前
|
数据可视化 PyTorch Serverless
Python 性能分析的几个方法,找到你代码中的那个她
我们在编写了一个脚本在笔记本上处理一些数据,然后去喝杯咖啡或者上了个厕所,15分钟后回来时发现进度才完成不到10%。 我们的脑袋里面就会发问:为什么这么慢?究竟是在哪个部分是慢的?是读取数据、处理数据还是保存数据?如何让它变快?它真的很慢吗? 有了这个疑问我们尝试去解决这个问题,下面我们介绍几个 python 性能分析的工具。
|
14天前
|
算法 计算机视觉 索引
python---OpenCv(二),背景分离方法较有意思
python---OpenCv(二),背景分离方法较有意思
|
10天前
|
数据可视化 Python
时间序列分析是一种统计方法,用于分析随时间变化的数据序列。在金融、经济学、气象学等领域,时间序列分析被广泛用于预测未来趋势、检测异常值、理解周期性模式等。在Python中,`statsmodels`模块是一个强大的工具,用于执行各种时间序列分析任务。
时间序列分析是一种统计方法,用于分析随时间变化的数据序列。在金融、经济学、气象学等领域,时间序列分析被广泛用于预测未来趋势、检测异常值、理解周期性模式等。在Python中,`statsmodels`模块是一个强大的工具,用于执行各种时间序列分析任务。
|
10天前
|
机器学习/深度学习 缓存 安全
Python标准库中的`str`类型有一个`translate()`方法,它用于替换字符串中的字符或字符子集。这通常与`str.maketrans()`方法一起使用,后者创建一个映射表,用于定义哪些字符应该被替换。
Python标准库中的`str`类型有一个`translate()`方法,它用于替换字符串中的字符或字符子集。这通常与`str.maketrans()`方法一起使用,后者创建一个映射表,用于定义哪些字符应该被替换。
|
10天前
|
机器学习/深度学习 XML 计算机视觉
OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习库,它提供了大量的函数和工具,用于处理图像和视频数据。
OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习库,它提供了大量的函数和工具,用于处理图像和视频数据。
|
16天前
|
数据采集 JSON API
深入解析:抖音视频标题的Python爬虫提取方法
深入解析:抖音视频标题的Python爬虫提取方法
|
计算机视觉 Python
|
计算机视觉 Windows Python
|
计算机视觉 Python