OpenCV基础

3.2自适应阈值

运行截图

复制代码
import cv2
from matplotlib import pyplot as plt

# 读取图像
im1 = cv2.imread("./image/qp.jpg")

# 检查图像是否成功加载
if im1 is None:
    print("Error: Image not found or unable to read.")
    exit()

# 转换为灰度图
gray = cv2.cvtColor(im1, cv2.COLOR_BGR2GRAY)

# 应用全局阈值
ret, th1 = cv2.threshold(gray, 66, 255, cv2.THRESH_BINARY)

# 应用自适应阈值(均值)
th2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                            cv2.THRESH_BINARY, 11, 2)

# 应用自适应阈值(高斯)并反二值化
th3 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                            cv2.THRESH_BINARY_INV, 11, 2)

# 设置标题列表(修正拼写错误)
titles = ["Original", "TH_BINARY", "TH_ADAPTIVE_MEAN_C", "TH_ADAPTIVE_GAUSSIAN_C_INV"]
images = [im1, th1, th2, th3]

# 使用matplotlib显示图像
for i in range(4):
    plt.subplot(2, 2, i + 1)
    plt.imshow(images[i], cmap='gray')  # 使用cmap='gray'来指定灰度颜色映射
    plt.title(titles[i])
    plt.axis('off')  # 关闭坐标轴

plt.tight_layout()  # 调整子图布局
plt.show()
  • ret, th1 = cv2.threshold(gray, 66, 255, cv2.THRESH_BINARY):对灰度图像gray进行全局二值化阈值处理。
    • 66是设定的阈值。
    • 255是最大值。
    • cv2.THRESH_BINARY表示阈值类型为二值化,即大于阈值的像素设置为最大值255(白色),小于等于阈值的像素设置为0(黑色),处理结果存储在th1中,ret是返回的阈值(这里未使用)。
    • th2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2):对灰度图像gray进行自适应阈值处理,采用均值方法。
      • 255是最大值。
      • cv2.ADAPTIVE_THRESH_MEAN_C表示自适应阈值类型为均值。
      • cv2.THRESH_BINARY表示阈值类型为二值化。
      • 11是邻域大小,即计算阈值时考虑的像素邻域大小。
      • 2是从均值或加权均值中减去的常数,用于调整阈值,处理结果存储在th2中。
      • th3 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2):对灰度图像gray进行自适应阈值处理,采用高斯方法,并进行反二值化。
        • 255是最大值。
        • cv2.ADAPTIVE_THRESH_GAUSSIAN_C表示自适应阈值类型为高斯。
        • cv2.THRESH_BINARY_INV表示阈值类型为反二值化,即大于阈值的像素设置为0,小于等于阈值的像素设置为255
        • 11是邻域大小。
        • 2是从加权均值中减去的常数,处理结果存储在th3中。
相关推荐
xiangduanjava9 分钟前
关于安装Ollama大语言模型本地部署工具
人工智能·语言模型·自然语言处理
zzywxc78729 分钟前
AI 正在深度重构软件开发的底层逻辑和全生命周期,从技术演进、流程重构和未来趋势三个维度进行系统性分析
java·大数据·开发语言·人工智能·spring
超龄超能程序猿32 分钟前
(1)机器学习小白入门 YOLOv:从概念到实践
人工智能·机器学习
大熊背42 分钟前
图像处理专业书籍以及网络资源总结
人工智能·算法·microsoft
江理不变情1 小时前
图像质量对比感悟
c++·人工智能
张较瘦_3 小时前
[论文阅读] 人工智能 + 软件工程 | 需求获取访谈中LLM生成跟进问题研究:来龙去脉与创新突破
论文阅读·人工智能
一 铭4 小时前
AI领域新趋势:从提示(Prompt)工程到上下文(Context)工程
人工智能·语言模型·大模型·llm·prompt
顾道长生'5 小时前
(Arxiv-2025)通过动态 token 剔除实现无需训练的高效视频生成
计算机视觉·音视频·视频生成
麻雀无能为力7 小时前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心7 小时前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列