openCV实战-系列教程2:阈值与平滑处理(图像阈值/图像平滑处理/高斯/中值滤波)、源码解读

1、图像阈值

t图像阈值函数,就是需要判断一下像素值大于一个数应该怎么处理,小于一个数应该怎么处理

python 复制代码
ret, dst = cv2.threshold(src, thresh, maxval, type)

参数解析:

  • src: 原始输入图,只能 输入通道图像,通常来说为灰度图
  • dst: 输出图
  • thresh: 指定的阈值
  • 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,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
    • 如果阈值取150,超过150就会都变成255,否则变为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
python 复制代码
import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB

# 读取图像为灰度图
img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 五种参数都设置一遍
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
_, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
_, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
_, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
_, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

# 存到一个变量中
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

# 放到一起画出来
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()

这里(ret,thresh)我们基本上只需要第二个参数就行了,输出图:

  • 第一张是原始图像
  • 第二张,所有大于127的区域全部变成了白色
  • 第三张,将第二张进行了翻转
  • 第四张,所有大于127的全部等于127
  • 第五张,小于127全部为0 ,大于127的不变
  • 第六张,第五张的反转

2、图像平滑

图像平滑处理就是对图像进行各种滤波操作,这个和卷积操作有一些相似

首先读取打印原始图像:

python 复制代码
import cv2  # opencv读取的格式是BGR
import matplotlib.pyplot as plt  # Matplotlib是RGB
img = cv2.imread('lenaNoise.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印的图像:

可以看到原始图像有很多白色斑点的噪音,接下来用几种不同滤波操作过滤这个噪音点

2.1 均值滤波

实际上是一个简单的平均卷积操作,如下图是一个图像的像素点的矩阵:

比如圈住的这个部分,是一个3*3的区域,对这3*3的9个像素值求出一个均值,然后将中间的204替换成这个均值,那么就完成了204的滤波操作,其他的像素点也是进行这样的操作。当然也可以是一个5*5的区域,只能是奇数。

实现这个操作很简单:

python 复制代码
# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

打印结果:

可以发现白点被淡化了一些,但是还是存在

2.2 方框滤波

基本上和均值滤波一样:

python 复制代码
# 方框滤波
# 基本和均值一样,可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  

cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

这里可以选择

相关推荐
千宇宙航3 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第十四课——图像二值化的FPGA实现
图像处理·计算机视觉·fpga开发
橡晟3 小时前
深度学习入门:让神经网络变得“深不可测“⚡(二)
人工智能·python·深度学习·机器学习·计算机视觉
PyAIExplorer3 小时前
图像亮度调整的简单实现
人工智能·计算机视觉
AI technophile5 小时前
OpenCV计算机视觉实战(15)——霍夫变换详解
人工智能·opencv·计算机视觉
JNU freshman6 小时前
计算机视觉 之 数字图像处理基础(一)
人工智能·计算机视觉
千宇宙航6 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第十五课——基于sobel算子边缘检测的FPGA实现
图像处理·计算机视觉·fpga开发
Tony沈哲9 小时前
OpenCV 图像调色优化实录:从 forEach 到并行 + LUT 提速之路
opencv·算法
AndrewHZ12 小时前
【图像处理基石】什么是色盲仿真技术?
图像处理·人工智能·pytorch·深度学习·计算机视觉·颜色科学·hvs
Mikowoo00713 小时前
02_MAC_XCode配置OpenCV
opencv
路溪非溪15 小时前
认识下计算机视觉中的人脸识别
人工智能·计算机视觉