OpenCV中的圖像處理 —— 圖像閾值+圖像平滑+形態(tài)轉(zhuǎn)換

目錄

• • OpenCV中的圖像處理 —— 圖像閾值+圖像平滑+形態(tài)轉(zhuǎn)換
  • 1. 圖像閾值
  • • 1.1 簡(jiǎn)單閾值
    • 1.2 自適應(yīng)閾值
    • 1.3 Otsu的二值化
  • 2. 圖像平滑
  • • 2.1 2D卷積（圖像過(guò)濾）
    • 2.2 圖像平滑（圖像模糊）
  • 3. 形態(tài)轉(zhuǎn)換
  • • 3.1 侵蝕與膨脹
    • 3.2 開(kāi)運(yùn)算與閉運(yùn)算
    • 3.3 頂帽與黑帽
    • 3.4 結(jié)構(gòu)元素

1. 圖像閾值

關(guān)于圖像閾值主要涉及到兩個(gè)函數(shù)：cv.threshold和cv.adaptiveThreshold（即簡(jiǎn)單閾值和自適應(yīng)閾值）

1.1 簡(jiǎn)單閾值

首先我們要了解什么是閾值，閾值能干什么？簡(jiǎn)單閾值是我們?cè)O(shè)置的一個(gè)臨界值，這個(gè)臨界值的作用就是對(duì)應(yīng)圖像中的每一個(gè)像素，如果它小于這個(gè)臨界值就將其設(shè)置為0，若其大于這個(gè)臨界值則將其設(shè)置為最大值（一般為255），在使用閾值之后的圖像就會(huì)只剩兩個(gè)顏色像素：最大值和最小值，在掩膜的運(yùn)用比較多，我們后續(xù)詳細(xì)講

我們先說(shuō)簡(jiǎn)單閾值，簡(jiǎn)單閾值涉及的函數(shù)是cv.threshold()，其中需要傳入4個(gè)參數(shù)，第一個(gè)參數(shù)即是我們的圖像對(duì)象，需要注意的是一般我們需要在這里傳入一個(gè)單通道灰度圖，第二個(gè)參數(shù)是閾值，用于對(duì)整個(gè)圖像的像素做一個(gè)分類(lèi)，第三個(gè)參數(shù)是分配的最大值，即當(dāng)像素大于我們?cè)O(shè)置的閾值時(shí)，使其等于這個(gè)我們?cè)O(shè)置的最大值即可，第四個(gè)參數(shù)是一個(gè)表示不同類(lèi)型的標(biāo)志，其取值可以是：cv.THRESH_BINARY，cv.THRESH_BINARY_INV，cv.THRESH_TRUNC，cv.THRESH_TOZERO，cv.THRESH_TOZERO_INV

下面我們通過(guò)一個(gè)例子來(lái)展示這些不同類(lèi)型閾值的使用結(jié)果

import cv2 as cv import numpy as np from matplotlib import pyplot as plt img = cv.imread('gradient.png',0) ret,thresh1 = cv.threshold(img,127,255,cv.THRESH_BINARY) ret,thresh2 = cv.threshold(img,127,255,cv.THRESH_BINARY_INV) ret,thresh3 = cv.threshold(img,127,255,cv.THRESH_TRUNC) ret,thresh4 = cv.threshold(img,127,255,cv.THRESH_TOZERO) ret,thresh5 = cv.threshold(img,127,255,cv.THRESH_TOZERO_INV) titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV'] images = [img, 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()

在上面的代碼的顯示圖像過(guò)程中出現(xiàn)了一個(gè)很重要的plt.subplot()函數(shù)，這是由matplotlib庫(kù)提供的一個(gè)繪圖函數(shù)，其使用方法也比較簡(jiǎn)單，就是將若干個(gè)圖像按照行列的形式展示出來(lái)，plt.subplot()傳入的參數(shù)有三個(gè)，第一二個(gè)參數(shù)指的是行和列數(shù)，第三個(gè)指的是顯示的圖片是在第幾個(gè)位置

plt還提供了plt.imshow()、pli.title() 和 plt.x/yticks()用來(lái)完善我們的圖像展示

1.2 自適應(yīng)閾值

在簡(jiǎn)單閾值中我們指定了一個(gè)閾值作為整張圖片的固定閾值，但是有時(shí)候一些圖片的各個(gè)部分的光照角度乃至角度都不一樣，這個(gè)時(shí)候我們?nèi)绻€使用簡(jiǎn)單閾值，那效果可想而知

只要思想不滑坡，辦法總比困難多！這個(gè)時(shí)候我們就可以使用自適應(yīng)閾值解決這種問(wèn)題

自適應(yīng)閾值關(guān)系到函數(shù)cv.adaptiveThreshold()，關(guān)于這個(gè)函數(shù)需要傳入的參數(shù)就有點(diǎn)小復(fù)雜了，我們借助一篇文章來(lái)了解：圖像的二值化-cv2.threshold()、cv2.adaptiveThreshold()

先來(lái)觀察一下cv.adaptiveThredshold()函數(shù)使用時(shí)的樣子

th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)

是不是發(fā)現(xiàn)這參數(shù)有些小多，我們一個(gè)一個(gè)來(lái)看，第一個(gè)參數(shù)老生常談，就是我們的圖像資源src，第二個(gè)參數(shù)指的就是像素值上限，第三個(gè)參數(shù)就有意思了，它指的是自適應(yīng)方法，而自適應(yīng)方法可供我們使用的有兩種（不知道還有沒(méi)有其他的，感興趣的小伙伴可以去查一查）：

• cv2.ADAPTIVE_THRESH_MEAN_C ：領(lǐng)域內(nèi)均值
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領(lǐng)域內(nèi)像素點(diǎn)加權(quán)和，權(quán)重為一個(gè)高斯窗口

第四個(gè)參數(shù)只有兩個(gè)值可以賦給它：cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV，第五個(gè)參數(shù)Block size指的是規(guī)定領(lǐng)域大小，BlockSize值越大，參與計(jì)算閾值的區(qū)域也越大，細(xì)節(jié)輪廓就變得越少，整體輪廓越粗越明顯，第六個(gè)參數(shù)是常數(shù)C，C越大，每個(gè)像素點(diǎn)的N*N鄰域計(jì)算出的閾值就越小，中心點(diǎn)大于這個(gè)閾值的可能性也就越大，設(shè)置成255的概率就越大，整體圖像白色像素就越多，反之亦然

1.3 Otsu的二值化

在全局閾值化中，我們使用任意選擇的值作為閾值。相反，Otsu的方法避免了必須選擇一個(gè)值并自動(dòng)確定它的情況

首先我們來(lái)了解一下什么是雙峰圖像，顧名思義就是僅有兩個(gè)不同圖像值的圖像，其中直方圖僅包含兩個(gè)峰，而一個(gè)好的閾值就應(yīng)該處于這兩個(gè)峰之間才能達(dá)到最好的圖像處理效果，而Otsu的方法就是從圖像直方圖中確定最佳的全局閾值（跟自適應(yīng)閾值完全不一樣，自適應(yīng)閾值是對(duì)應(yīng)不同的區(qū)域自動(dòng)確定閾值，而Otsu方法是根據(jù)雙峰圖像來(lái)確定一個(gè)最佳的全局閾值）

我們依舊通過(guò)一個(gè)例子來(lái)掌握這幾種方法

import cv2 as cv import numpy as np from matplotlib import pyplot as pltimg = cv.imread(r"E:\image\test03.png", 0) # 全局閾值 ret1, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY) # Otsu閾值 ret2, th2 = cv.threshold(img, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU) # 高斯濾波后再采用Otsu閾值 blur = cv.GaussianBlur(img, (5, 5), 0) ret3, th3 = cv.threshold(blur, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU) # 繪制所有圖像及其直方圖 images = [img, 0, th1,img, 0, th2,blur, 0, th3] titles = ['Original Noisy Image', 'Histogram', 'Global Thresholding (v=127)','Original Noisy Image', 'Histogram', "Otsu's Thresholding",'Gaussian filtered Image', 'Histogram', "Otsu's Thresholding"] for i in range(3):plt.subplot(3, 3, i * 3 + 1), plt.imshow(images[i * 3], 'gray')plt.title(titles[i * 3]), plt.xticks([]), plt.yticks([])plt.subplot(3, 3, i * 3 + 2), plt.hist(images[i * 3].ravel(), 256)plt.title(titles[i * 3 + 1]), plt.xticks([]), plt.yticks([])plt.subplot(3, 3, i * 3 + 3), plt.imshow(images[i * 3 + 2], 'gray')plt.title(titles[i * 3 + 2]), plt.xticks([]), plt.yticks([]) plt.show()

2. 圖像平滑

2.1 2D卷積（圖像過(guò)濾）

在學(xué)習(xí)圖像平滑之前我們要先了解一下2D卷積即圖像過(guò)濾，我們可以使用各種低通濾波器（LPF），高通濾波器（HPF）對(duì)圖像進(jìn)行濾波

低通濾波器LPF有助于消除噪聲，而高通濾波器HPF有助于在圖像中找到邊緣

OpenCV提供了一個(gè)cv.filter2D()函數(shù)用來(lái)將內(nèi)核與圖像進(jìn)行卷積，在后面的內(nèi)容我們會(huì)著重解除“內(nèi)核”，而使用什么內(nèi)核是實(shí)現(xiàn)各種圖像模糊技術(shù)的關(guān)鍵，現(xiàn)在我們先提供一個(gè)例子來(lái)了解內(nèi)核與圖像卷積的實(shí)現(xiàn)過(guò)程，在這個(gè)例子中我們通過(guò)一個(gè)5x5平均濾波器內(nèi)核來(lái)實(shí)現(xiàn)

平局是一種重要的圖像平滑技術(shù)，下下面我們會(huì)做詳細(xì)介紹

代碼實(shí)質(zhì)：保持這個(gè)內(nèi)核在一個(gè)像素上，將所有低于這個(gè)像素的25個(gè)像素相加，取其平均值，用新的平均值替換中心像素，它會(huì)對(duì)所有的像素繼續(xù)此操作，直至處理完畢圖像

import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('opencv_logo.png') kernel = np.ones((5,5),np.float32)/25 dst = cv.filter2D(img,-1,kernel) plt.subplot(121),plt.imshow(img),plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(dst),plt.title('Averaging') plt.xticks([]), plt.yticks([]) plt.show()

我們發(fā)現(xiàn)在上述代碼中出現(xiàn)了一個(gè)陌生的東西：kernel，這是一個(gè)5x5且數(shù)據(jù)類(lèi)型為float32的數(shù)組，我們也可以理解為這就是我們的5x5平均濾波器的內(nèi)核，這個(gè)5x5的數(shù)組中存儲(chǔ)了25個(gè)低于內(nèi)核像素的像素，把這個(gè)數(shù)組傳入cv.filter2D()后會(huì)實(shí)現(xiàn)最終的圖像平滑

接下來(lái)我們?cè)僬f(shuō)說(shuō)cv.filter2D()這個(gè)函數(shù)，上面說(shuō)到它是一個(gè)用來(lái)將圖像和內(nèi)核進(jìn)行卷積的函數(shù)，而內(nèi)核由我們自己作為參數(shù)傳入，cv.filter2D()有三個(gè)必須傳入的參數(shù)：src、ddepth和kernel，src當(dāng)然指的就是我們的圖像資源（原圖像），ddepth是目標(biāo)圖像深度，這個(gè)東西有些不好理解，但是一般情況下我們都設(shè)為-1，kernel指的就是我們的卷積內(nèi)核，它是一個(gè)numpy.ndarray 類(lèi)型的矩陣，這個(gè)矩陣可以用numpy函數(shù)生成，但是在后續(xù)圖像處理技術(shù)中，我們需要制造一些很復(fù)雜的卷積核，這個(gè)時(shí)候使用numpy的函數(shù)就顯得不夠用了，這個(gè)時(shí)候我們需要使用OpenCV的內(nèi)置函數(shù)：getStructuringElement、getGaussianKernel等來(lái)滿足我們的需求

2.2 圖像平滑（圖像模糊）

通過(guò)將圖像與低通濾波器內(nèi)核進(jìn)行卷積來(lái)實(shí)現(xiàn)圖像模糊，低通濾波器LPF對(duì)消除噪聲非常有效，它從實(shí)際圖片上消除了高頻的部分（例如噪聲和邊緣），當(dāng)然它對(duì)邊緣不太友好，此操作的結(jié)果就是邊緣比較模糊，OpenCV提供了四種類(lèi)型的模糊技術(shù)

1、平均

我們上面演示了使用5x5平均濾波器內(nèi)核來(lái)實(shí)現(xiàn)操作，但是“平均”這種技術(shù)也是有著它自己的函數(shù)方便我們操作

它僅獲取內(nèi)核區(qū)域下所有像素的平均值，并替換中心元素，這是通過(guò)功能函數(shù)**cv.blur()和cv.boxFilter()**完成的，在進(jìn)行操作時(shí)我們需要指定內(nèi)核的寬度和高度

cv.boxFilter()函數(shù)是在我們不行使用標(biāo)準(zhǔn)化的框式過(guò)濾器時(shí)使用的，并將參數(shù)normalize = False傳遞進(jìn)去

import cv2 as cv import numpy as np from matplotlib import pyplot as plt img = cv.imread('opencv-logo-white.png') blur = cv.blur(img,(5,5)) plt.subplot(121),plt.imshow(img),plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(blur),plt.title('Blurred') plt.xticks([]), plt.yticks([]) plt.show()

2、高斯模糊

高斯模糊代替了盒式濾波器，使用了高斯核來(lái)實(shí)現(xiàn)圖像平滑，這是通過(guò)功能cv.GaussianBlur() 完成的，我們應(yīng)指定內(nèi)核的寬度和高度，該寬度和高度應(yīng)為正數(shù)和奇數(shù)。我們還應(yīng)指定X和Y方向的標(biāo)準(zhǔn)偏差，分別為sigmaX和sigmaY

如果僅指定sigmaX，則將sigmaY與sigmaX相同,如果兩個(gè)都為零，則根據(jù)內(nèi)核大小進(jìn)行計(jì)算

對(duì)于一些特殊的需求我們會(huì)使用cv.getGaussianKernel()函數(shù)來(lái)創(chuàng)建高斯核

# 我們可以通過(guò)修改上面的代碼實(shí)現(xiàn)高斯模糊 blur = cv.GaussianBlur(img,(5,5),0)

上述代碼中cv.GaussianBlur()中傳入的參數(shù)img即是原圖像，（5,5）則是高斯核的大小，0指的是sigmaX和sigmaY都為0，此時(shí)其值根據(jù)內(nèi)核大小計(jì)算

3、中位模糊

函數(shù)cv.medianBlur() 提取內(nèi)核區(qū)域下所有像素的中值，并將中心元素替換為該中值，這對(duì)于消除圖像中的椒鹽噪聲非常有效，在平均中，內(nèi)核中心元素是新計(jì)算的平均值，而中位模糊的內(nèi)核中心元素是圖像中的像素值或新值，但是在中位模糊中中心元素總是被某些像素代替

中位模糊的內(nèi)核大小也應(yīng)為整技術(shù)整數(shù)

median = cv.medianBlur(img,5)

img指圖像資源，5指的是內(nèi)核大小

4、雙邊濾波

cv.bilateralFilter() 在去除噪聲的同時(shí)保持邊緣清晰銳利非常有效，但是，與其他過(guò)濾器相比，該操作速度較慢

高斯濾波器采用像素周?chē)泥徲虿⒄业狡涓咚辜訖?quán)平均值，高斯濾波器僅僅是控件的函數(shù)，即它在工作時(shí)僅考慮附近的像素，而不考慮像素是否具有相同的強(qiáng)度也不考慮像素是否是邊緣像素，所以它對(duì)邊緣的清晰銳利保持很不友好

但是雙邊濾波器改善了這種缺陷，它內(nèi)部有兩個(gè)高斯濾波器，一個(gè)是上述的一般高斯濾波器，而另一個(gè)是像素差的函數(shù)，空間的高斯函數(shù)確保僅考慮附近元素的模糊，強(qiáng)度差的高斯函數(shù)確保僅考慮強(qiáng)度與中心元素相似的像素的模糊（即加了一個(gè)顯示，如果像素的強(qiáng)度與中心元素差距較大，就不會(huì)令其模糊從而保持邊緣清晰銳利）

blur = cv.bilateralFilter(img,9,75,75)

3. 形態(tài)轉(zhuǎn)換

這一塊兒我們說(shuō)說(shuō)OpenCV處理圖像時(shí)在形態(tài)學(xué)的操作，這些操作有：侵蝕和膨脹、開(kāi)運(yùn)算和閉運(yùn)算、形態(tài)學(xué)梯度、頂帽和黑帽

首先我們要了解什么是形態(tài)學(xué)變換，形態(tài)學(xué)變換就是基于圖像形狀的簡(jiǎn)單操作，通常在二進(jìn)制圖像上執(zhí)行，一般需要兩個(gè)輸入：原始圖像和決定操作性質(zhì)的結(jié)構(gòu)元素或內(nèi)核

3.1 侵蝕與膨脹

侵蝕：內(nèi)核滑動(dòng)通過(guò)圖像(在2D卷積中)，原始圖像中的一個(gè)像素(無(wú)論是1還是0)只有當(dāng)內(nèi)核下的所有像素都是1時(shí)才被認(rèn)為是1，否則它就會(huì)被侵蝕(變成0）

侵蝕的結(jié)果就是根據(jù)內(nèi)核的大小，邊界附近的所有像素都會(huì)被丟棄，因此，前景物體的厚度或大小減小，或只是圖像中的白色區(qū)域減小，它有助于去除小的白色噪聲

import cv2 as cv import numpy as np img = cv.imread('j.png',0) # 創(chuàng)建內(nèi)核 kernel = np.ones((5,5),np.uint8) # 使用侵蝕函數(shù)處理圖像 erosion = cv.erode(img,kernel,iterations = 1) plt.subplot(121),plt.imshow(img),plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(erosion),plt.title('Erosion') plt.xticks([]), plt.yticks([]) plt.show()

膨脹：如果內(nèi)核下的至少一個(gè)像素為“ 1”，則像素元素為“ 1”。因此，它會(huì)增加圖像中的白色區(qū)域或增加前景對(duì)象的大小，通常，在消除噪音的情況下，腐蝕后會(huì)膨脹，因?yàn)楦g會(huì)消除白噪聲，但也會(huì)縮小物體

dilation = cv.dilate(img,kernel,iterations = 1)

3.2 開(kāi)運(yùn)算與閉運(yùn)算

開(kāi)放只是“侵蝕后擴(kuò)張”的另一個(gè)名稱(chēng)，它對(duì)于消除噪音很有用，為了實(shí)現(xiàn)這個(gè)操作我們要使用函數(shù)cv.morphologyEx()

閉運(yùn)算與開(kāi)運(yùn)算相反，先擴(kuò)張然后再侵蝕，在關(guān)閉前景對(duì)象內(nèi)部的小孔或?qū)ο笊系男『邳c(diǎn)時(shí)很有用

opening = cv.morphologyEx(img, cv.MORPH_OPEN, kernel) # 開(kāi)運(yùn)算 opening = cv.morphologyEx(img, cv.MORPH_CLOSE, kernel) # 閉運(yùn)算

這里的參數(shù)我們有必要再留意一下，第一個(gè)參數(shù)即原圖像，第二個(gè)參數(shù)指的是進(jìn)行變化的方式，cv2.MORPH_OPEN 進(jìn)行開(kāi)運(yùn)算，cv2.MORPH_CLOSE 進(jìn)行閉運(yùn)算

3.3 頂帽與黑帽

頂帽是輸入圖像和圖像開(kāi)運(yùn)算之差，而黑帽是輸入圖像和圖像閉運(yùn)算之差

tophat = cv.morphologyEx(img, cv.MORPH_TOPHAT, kernel) # 頂帽 blackhat = cv.morphologyEx(img, cv.MORPH_BLACKHAT, kernel) # 黑帽

黑帽是輸入圖像和圖像閉運(yùn)算之差

3.4 結(jié)構(gòu)元素

在Numpy的幫助下，我們?cè)谇懊娴氖纠惺謩?dòng)創(chuàng)建了一個(gè)結(jié)構(gòu)元素（內(nèi)核），它是矩形的，但是在某些情況下，我們可能需要橢圓形/圓形的內(nèi)核，因此，OpenCV提供了函數(shù)cv.getStructuringElement()，我們只需傳遞內(nèi)核的形狀和大小，即可獲得所需的內(nèi)核

（開(kāi)閉運(yùn)算還有頂帽和黑帽我們后面細(xì)說(shuō)）

---

（注：文章內(nèi)容參考OpenCV4.1中文官方文檔）
如果文章對(duì)您有所幫助，記得一鍵三連支持一下哦

總結(jié)

以上是生活随笔為你收集整理的OpenCV中的图像处理 —— 图像阈值+图像平滑+形态转换的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。