基礎版筆記鏈接：
python3+opencv學習筆記匯總目錄（適合基礎入門學習）
進階版筆記目錄鏈接：
python+opencv進階版學習筆記目錄（適合有一定基礎）

基礎版二值化講解
opencv學習筆記10：閾值分割

圖像二值化原理

二值化方法：全局閾值，局部閾值
具體原理見上面鏈接

圖像二值化實現

1.全局閾值
通常情況，我們一般不知道設定怎樣的閾值thresh才能得到比較好的二值化效果，只能去試。如對于一幅雙峰圖像（理解為圖像直方圖中存在兩個峰），我們指定的閾值應盡量在兩個峰之間的峰谷。這時，就可以用第四個參數THRESH_OTSU，它對一幅雙峰圖像自動根據其直方圖計算出合適的閾值（對于非雙峰圖，這種方法得到的結果可能不理想）。

對于雙峰圖，我們需要多傳入一個參數cv2.THRESH_OTSU，并且把閾值thresh設為0,設置為其他數也默認為0，算法會找到最優(yōu)閾值，并作為第一個返回值ret返回。

cv2.THRESH_BINARY：二進制閾值。把亮的處理成白色，暗的處理成黑色

cv2.THRESH_BINARY_INV：反二進制閾值。把亮的處理成黑色，暗的處理成白色
cv2.THRESH_TRUNC：截斷閾值。亮的不能太亮，有上限，暗的不變
cv2.THRESH_TOZERO_INV：threshold 反閾值化為0，把比較亮的部分處理成0成黑色，小于等于閾值的像素點不變
cv2.THRESH_TOZERO：threshold 閾值化為0，比較亮的部分不變，比較暗的部分處理成黑色為0

import cv2 as cv import numpy as npdef threshold_demo(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY|cv.THRESH_OTSU)print("threshold value %s"%ret)cv.imshow("binary", binary)print("--------- Python OpenCV Tutorial ---------") src = cv.imread("duoren.jpg") cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) threshold_demo(src) cv.waitKey(0) cv.destroyAllWindows()

圖像直方圖

該圖沒有明顯兩個波峰，將就用

結果

二進制閾值

修改cv.THRESH_BINARY為其他參數。結果如下

cv2.THRESH_BINARY_INV：反二進制閾值

cv2.THRESH_TRUNC：截斷閾值

cv2.THRESH_TOZERO_INV： 反閾值化為0

cv2.THRESH_TOZERO：閾值化為0

2.局部閾值 自適應閾值
cv2.adaptiveThreshold（）

ADAPTIVE_THRESH_MEAN_C ：把圖像分成一個個小的區(qū)域，每個區(qū)域做閾值處理，每個區(qū)域閾值為這個區(qū)域的均值減去常量c,大于閾值取白色，小于取黑色。整個圖像有很多閾值。

ADAPTIVE_THRESH_GAUSSIAN_C：把圖像分成一個個小的區(qū)域，閾值是每個區(qū)域均值的權重和（均值分布為高斯分布，越接近中心均值權重越高）再減去常量c，整個圖像只有一個閾值
blocksize:區(qū)域大小，必須是奇數。
C: 二值化時，如何一個像素點減去均值大于C，才把這個點設為白色，能減弱噪聲影響。等于說閾值=均值-C

import cv2 as cv import numpy as npdef local_threshold(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)cv.imshow("binary", binary) print("--------- Python OpenCV Tutorial ---------") src = cv.imread("duoren.jpg") cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) local_threshold(src) cv.waitKey(0) cv.destroyAllWindows()

換一張經典圖
自適應閾值結果

全局閾值結果

首先還是自適應閾值吧。

3.自定義閾值
自己實現一個二值化處理

import cv2 as cv import numpy as npdef custom_threshold(image):gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)#轉換為灰度圖h, w = gray.shape[:2]#高寬m = np.reshape(gray, [1, w*h])#將圖像轉換為1維數組，1行多列mean = m.sum() / (w*h)#求均值，把均值作為閾值print("mean : ", mean)ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)cv.imshow("binary", binary)print("--------- Python OpenCV Tutorial ---------") src = cv.imread("duoren.jpg") cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) custom_threshold(src) cv.waitKey(0) cv.destroyAllWindows()

超大圖像二值化

方法：圖像分塊，再分別閾值
圖超大時，由于光照不能很好分布全圖，所以有很多噪聲。

import cv2 as cv import numpy as npdef big_image_binary(image):print(image.shape)#(1200, 1920, 3)cw = 256#每個小塊寬ch = 256#每個小塊高h, w = image.shape[:2]#整個圖像高，寬gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)#轉灰度圖for row in range(0, h, ch):#遍歷每一小塊高for col in range(0, w, cw):#遍歷每一塊寬roi = gray[row:row+ch, col:cw+col]#小塊區(qū)域#print(np.std(roi), np.mean(roi))#打印小塊方差，均值dev = np.std(roi)if dev < 15:gray[row:row + ch, col:cw + col] = 255#去除空白區(qū)域的噪點else:#全局閾值ret, dst = cv.threshold(roi, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)#cv.THRESH_OTSU自動尋找閾值#自適應閾值#dst = cv.adaptiveThreshold(roi, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)gray[row:row + ch, col:cw + col] = dst#在原圖上替換小塊二值化結果#cv.imwrite("result_binary.png", gray)cv.imshow('result_binary',gray) print("--------- Python OpenCV Tutorial ---------") src = cv.imread("limi.jpg") cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) big_image_binary(src) cv.waitKey(0) cv.destroyAllWindows()

說明
下面代碼是去除圖像空白小塊區(qū)域噪聲。如果一個小塊沒有其他東西，那么它的方差就很小，去除一些小黑點（去噪）

if dev < 15:gray[row:row + ch, col:cw + col] = 255#去除空白區(qū)域的噪點

電氣專業(yè)的計算機萌新，寫博文不容易。如果你覺得本文對你有用，請點個贊支持下。謝謝。

總結

以上是生活随笔為你收集整理的opencv进阶学习9：图像阈值大全，图像二值化，超大图像二值化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。