[Python图像处理] 七.图像阈值化处理及民族服饰实验对比

2021-12-02 21:12:30 浏览数 (1)

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、图像分类、目标检测应用。

前一篇文章介绍Python调用OpenCV实现图像缩放、图像旋转、图像翻转、图像平移。本篇文章将讲解图像阈值化处理操作，包括二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。全文均是基础知识，希望对您有所帮助。希望文章对您有所帮助，如果有不足之处，还请海涵~

  • 一.阈值化
  • 二.二进制阈值化
  • 三.反二进制阈值化
  • 四.截断阈值化
  • 五.反阈值化为0
  • 六.阈值化为0

该系列在github所有源代码：

  • https://github.com/eastmountyxz/ ImageProcessing-Python

一. 阈值化

图像的二值化或阈值化（Binarization）旨在提取图像中的目标物体，将背景以及噪声区分开来。通常会设定一个阈值T，通过T将图像的像素划分为两类：大于T的像素群和小于T的像素群。

灰度转换处理后的图像中，每个像素都只有一个灰度值，其大小表示明暗程度。二值化处理可以将图像中的像素划分为两类颜色，常用的二值化算法如公式1所示：

当灰度Gray小于阈值T时，其像素设置为0，表示黑色；当灰度Gray大于或等于阈值T时，其Y值为255，表示白色。

Python OpenCV中提供了阈值函数threshold()实现二值化处理，其公式及参数如下图所示：

  • retval, dst = cv2.threshold( src, thresh, maxval, type)

参数的具体含义如下：

常用的方法如下表所示，其中函数中的参数Gray表示灰度图，参数127表示对像素值进行分类的阈值，参数255表示像素值高于阈值时应该被赋予的新像素值，最后一个参数对应不同的阈值处理方法。

对应OpenCV提供的五张图如下，第一张为原图，后面依次为：二进制阈值化、反二进制阈值化、截断阈值化、反阈值化为0、阈值化为0。

二值化处理广泛应用于各行各业，比如生物学中的细胞图分割、交通领域的车牌设别等。在文化应用领域中，通过二值化处理将所需民族文物图像转换为黑白两色图，从而为后面的图像识别提供更好的支撑作用。下图表示图像经过各种二值化处理算法后的结果，其中“BINARY”是最常见的黑白两色处理。

二. 二进制阈值化

该方法先要选定一个特定的阈值量，比如127。新的阈值产生规则如下：

  • (1) 大于等于127的像素点的灰度值设定为最大值（如8位灰度值最大为255）
  • (2) 灰度值小于127的像素点的灰度值设定为0

例如，163->255，86->0，102->0，201->255。关键字为 cv2.THRESH_BINARY，完整代码如下：

代码语言：javascript复制
#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test.jpg')

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二进制阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY)
print(r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出为两个返回值，r为127，b为处理结果（大于127设置为255，小于设置为0）。如下图所示：

三. 反二进制阈值化

该方法与二进制阈值化方法相似，先要选定一个特定的灰度值作为阈值，比如127。新的阈值产生规则如下：

  • (1) 大于127的像素点的灰度值设定为0（以8位灰度图为例）
  • (2) 小于该阈值的灰度值设定为255

例如，163->0，86->255，102->255，201->0。关键字为 cv2.THRESH_BINARY_INV，完整代码如下：

代码语言：javascript复制
#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test.jpg')

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二进制阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV)
print(r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示：

该方法得到的结果正好与二进制阈值化方法相反，亮色元素反而处理为黑色，暗色为白色。

四. 截断阈值化

该方法需选定一个阈值，图像中大于该阈值的像素点被设定为该阈值，小于该阈值的保持不变，如127。新的阈值产生规则如下：

  • (1) 大于等于127的像素点的灰度值设定为该阈值127
  • (2) 小于该阈值的灰度值不改变

例如，163->127，86->86，102->102，201->127。关键字为 cv2.THRESH_TRUNC，完整代码如下：

代码语言：javascript复制
#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test.jpg')

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截断阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)
print(r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示：：

该处理方法相当于把图像中比较亮（大于127，偏向于白色）的像素值处理为阈值。

五. 反阈值化为0

该方法先选定一个阈值，比如127，接着对图像的灰度值进行如下处理：

  • (1) 大于等于阈值127的像素点变为0
  • (2) 小于该阈值的像素点值保持不变

例如，163->0，86->86，102->102，201->0。关键字为 cv2.THRESH_TOZERO_INV，完整代码如下：

代码语言：javascript复制
#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test.jpg')

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反阈值化为0处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)
print(r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示：

六. 阈值化为0

该方法先选定一个阈值，比如127，接着对图像的灰度值进行如下处理：

  • (1) 大于等于阈值127的像素点，值保持不变
  • (2) 小于该阈值的像素点值设置为0

例如，163->163，86->0，102->0，201->201。关键字为 cv2.THRESH_TOZERO，完整代码如下：

代码语言：javascript复制
#encoding:utf-8
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('test.jpg')

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#阈值化为0处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)
print(r)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下图所示：

该算法把比较亮的部分不变，比较暗的部分处理为0。

七.总结

完整五个算法的对比代码如下所示：

代码语言：javascript复制
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图像
img=cv2.imread('test.jpg')
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

#阈值化处理
ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)  
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)  
ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)  
ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)  
ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)

#显示结果
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']  
images = [GrayImage, 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()

输出结果如下图所示：

该部分参考作者论文《基于苗族服饰的图像锐化和边缘提取技术研究》，当时随便写的。哈哈，回想2018年当时写这篇文章的感言，还挺不错的！

源代码下载地址，记得帮忙点star和关注喔！

  • https://github.com/eastmountyxz/ ImageProcessing-Python

参考文献，在此感谢这些大佬，共勉！

  • [1] 冈萨雷斯. 数字图像处理（第3版）[M]. 电子工业出版社, 2013.
  • [2] 罗子江. Python中的图像处理[M]. 科学出版社, 2020.
  • [3] https://blog.csdn.net/Eastmount
图像处理 python opencv 编程算法

0 人点赞