Python3与OpenCV3.3 图像处理(十五)--图像二值化
2017-12-09 18:40
543 查看
一、什么是二值图像
图像中只有0和1,即1表示黑色,0表示白色
二、图像二值化的方法
图像二值化的方法:全局阈值,局部阈值。一般来说局部阈值要优于全局阈值。在OpenCV中图像二值化的方法有OTS,Triangle,自动与手动,衡量阈值方法是否是符合场景的,就是要看处理之后图像的信息是否丢失
三、示例代码
import cv2 as cv
import numpy as np
def threshold(image):
"""图像二值化:全局阈值"""
#图像灰度化
gray=cv.cvtColor(image,cv.COLOR_RGB2GRAY)
#变为二值图像
#gary:灰度图像
#0:阈值,如果选定了阈值方法,则这里不起作用
ret ,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_TRIANGLE)
print(ret)
cv.imshow("binary",binary)
def local_threshold(image):
"""局部阈值"""
# 图像灰度化
gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
# 变为二值图像
binary = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,25,10)
cv.imshow("local_threshold", binary)
def custom_threshold(image):
"""局部阈值"""
# 图像灰度化
gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
h,w=gray.shape[:2]
m=np.reshape(gray,[1,w*h])
mean=m.sum()/(w*h)
# 变为二值图像
binary = cv.threshold(gray,mean,255,cv.THRESH_BINARY)
cv.imshow("custom_threshold", binary)
src=cv.imread('textImg.jpg')
cv.waitKey(0)
cv.destroyAllWindows()
图像中只有0和1,即1表示黑色,0表示白色
二、图像二值化的方法
图像二值化的方法:全局阈值,局部阈值。一般来说局部阈值要优于全局阈值。在OpenCV中图像二值化的方法有OTS,Triangle,自动与手动,衡量阈值方法是否是符合场景的,就是要看处理之后图像的信息是否丢失
三、示例代码
import cv2 as cv
import numpy as np
def threshold(image):
"""图像二值化:全局阈值"""
#图像灰度化
gray=cv.cvtColor(image,cv.COLOR_RGB2GRAY)
#变为二值图像
#gary:灰度图像
#0:阈值,如果选定了阈值方法,则这里不起作用
ret ,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_TRIANGLE)
print(ret)
cv.imshow("binary",binary)
def local_threshold(image):
"""局部阈值"""
# 图像灰度化
gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
# 变为二值图像
binary = cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,25,10)
cv.imshow("local_threshold", binary)
def custom_threshold(image):
"""局部阈值"""
# 图像灰度化
gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY)
h,w=gray.shape[:2]
m=np.reshape(gray,[1,w*h])
mean=m.sum()/(w*h)
# 变为二值图像
binary = cv.threshold(gray,mean,255,cv.THRESH_BINARY)
cv.imshow("custom_threshold", binary)
src=cv.imread('textImg.jpg')
cv.waitKey(0)
cv.destroyAllWindows()
相关文章推荐
- Python3与OpenCV3.3 图像处理(四)--色彩空间
- Python3与OpenCV3.3 图像处理(二十二)--对象测量(纯代码)
- Python3与OpenCV3.3 图像处理(十四)--模板匹配
- Python3与OpenCV3.3 图像处理(九)--高斯模糊
- Python3与OpenCV3.3 图像处理(二十)--圆检测
- Python3与OpenCV3.3 图像处理(六)--ROI
- Python3与OpenCV3.3 图像处理(十)--EPF
- Python3与OpenCV3.3 图像处理(八)--模糊
- Python3与OpenCV3.3 图像处理(十六)--图像金字塔
- Python3与OpenCV3.3 图像处理(十一)--图像直方图
- Python3与OpenCV3.3 图像处理(二十六)--分水岭算法(纯代码)
- Python3与OpenCV3.3 图像处理(补)--第三节补充
- Python3与OpenCV3.3 图像处理(二十一)--轮廓发现
- Python3与OpenCV3.3 图像处理(二)--图像基本操作
- Python3与OpenCV3.3 图像处理(一)--环境搭建与简单DEMO
- Python3与OpenCV3.3 图像处理(十三)--反射投影
- Python3与OpenCV3.3 图像处理(十九)--直线检测
- Python3与OpenCV3.3 图像处理(二十四)--开闭操作
- Python3与OpenCV3.3 图像处理(十二)--图像直方图应用
- Python3与OpenCV3.3 图像处理(三)--Numpy数组操作