1，圖像二值化概念及方法
一個像素點的顏色是由RGB三個值來表現(xiàn)的，所以一個像素點矩陣對應(yīng)三個顏色向量矩陣，分別是R矩陣，G矩陣，B矩陣，它們也都是同樣大小的矩陣。

在圖像處理中，用RGB三個分量（R：Red，G：Green，B：Blue），即紅、綠、藍(lán)三原色來表示真彩色，R分量，G分量，B分量的取值范圍均為0~255，比如電腦屏幕上的一個紅色的像素點的三個分量的值分別為：255，0，0。

在理解了一張圖片是由一個像素點矩陣構(gòu)成之后，我們就知道我們對圖像的處理就是對這個像素點矩陣的操作，想要改變某個像素點的顏色，我們只要在這個像素點矩陣中找到這個像素點的位置，比如第x行，第y列，所以這個像素點在這個像素點矩陣中的位置就可以表示成（x，y）,因為一個像素點的顏色由紅、綠、藍(lán)三個顏色變量表示，所以我們通過給這三個變量賦值，來改變這個像素點的顏色，比如改成紅色（255，0，0），可以表示為（x，y，（R=255，G=0，B=0））。

圖像灰度化就是讓像素點矩陣中的每一個像素點都滿足下面的關(guān)系：R=G=B（就是紅色變量的值，綠色變量的值，和藍(lán)色變量的值，這三個值相等，“=”的意思不是程序語言中的賦值，是數(shù)學(xué)中的相等），此時的這個值叫做灰度值

二值化就是讓圖像的像素點矩陣中的每個像素點的灰度值為0（黑色）或者255（白色），也就是讓整個圖像呈現(xiàn)只有黑和白的效果。在灰度化的圖像中灰度值的范圍為0~255，在二值化后的圖像中的灰度值范圍是0或者255。

常用簡單的二值化方法（還有很多）：
方法1：
取閥值為127（相當(dāng)于0~255的中數(shù)，（0+255）/2=127），讓灰度值小于等于127的變 為0（黑色），灰度值大于127的變?yōu)?55（白色），這樣做的好處是計算量小速度快，但是 缺點也是很明顯的，因為這個閥值在不同的圖片中均為127，但是不同的圖片，他們的顏色 分布差別很大，所以用127做閥值，白菜蘿卜一刀切，效果肯定是不好的。
方法2：
計算像素點矩陣中的所有像素點的灰度值的平均值avg
（像素點1灰度值+…+像素點n灰度值）/ n = 像素點平均值avg
然后讓每一個像素點與avg一 一比較，小于等于avg的像素點就為0（黑色），大于avg的 像 素點為255（白色），這樣做比方法1好一些。
方法3：
使用直方圖方法（也叫雙峰法）來尋找二值化閥值，直方圖是圖像的重要特質(zhì)。直方圖方法 認(rèn)為圖像由前景和背景組成，在灰度直方圖上，前景和背景都形成高峰，在雙峰之間的最低 谷處就是閥值所在。取到閥值之后再一 一比較就可以了。
2，圖像二值化代碼實現(xiàn)
利用OpenCV的API進行二值化處理源代碼：

import cv2 as cv
import numpy as npdef threshold_demo(image):                          #全局閾值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("global_threshold_binary", binary)
"""cv2.threshold函數(shù)是有兩個返回值的，第一個返回值，得到圖像的閾值，第二個返回值，也就是閾值處理后的圖像，我們自己不一定能夠找到一個最好的閾值，去二分化圖像，所以我們需要算法自己去尋找一個閾值，而cv.THRESH_OTSU就可以滿足這個需求，去找到一個最好的閾值。注意：他非常適用于圖像灰度直方圖具有雙峰的情況，他會在雙峰之間找到一個值作為閾值，對于非雙峰圖像，可能并不是很好用。因為cv.THRESH_OTSU方法會產(chǎn)生一個閾值，那么函數(shù)cv2.threshold的的第二個參數(shù)（設(shè)置閾值）就是0（None）了，并且在cv2.threshold的方法參數(shù)中還得加上語句cv2.THRESH_OTSU這里面第三個參數(shù)maxval參數(shù)表示與THRESH_BINARY和THRESH_BINARY_INV閾值類型一起使用設(shè)置的最大值。而我們使用的灰度圖像最大則為255，所以設(shè)置為255即可THRESH_OTSU最適用于雙波峰 THRESH_TRIANGLE最適用于單個波峰，最開始用于醫(yī)學(xué)分割細(xì)胞等"""def local_threshold(image):                       #局部閾值gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)cv.imshow("local_threshold_binary", binary)
"""
函數(shù)原型為：adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dstsrc參數(shù)表示輸入圖像（8位單通道圖像）。maxValue參數(shù)表示使用 THRESH_BINARY 和 THRESH_BINARY_INV 的最大值.adaptiveMethod參數(shù)表示自適應(yīng)閾值算法，平均 （ADAPTIVE_THRESH_MEAN_C）或高斯（ADAPTIVE_THRESH_GAUSSIAN_C）。thresholdType參數(shù)表示閾值類型，必須為THRESH_BINARY或THRESH_BINARY_INV的閾值類型。blockSize參數(shù)表示塊大小（奇數(shù)且大于1，比如3，5，7........ ）。C參數(shù)是常數(shù)，表示從平均值或加權(quán)平均值中減去的數(shù)。 通常情況下，這是正值，但也可能為零或負(fù)值。在使用平均和高斯兩種算法情況下，通過計算每個像素周圍blockSize x blockSize大小像素塊的加權(quán)均值并減去常量C即可得到自適應(yīng)閾值。如果使用平均的方法，則所有像素周圍的權(quán)值相同；如果使用高斯的方法，則每個像素周圍像素的權(quán)值則根據(jù)其到中心點的距離通過高斯方程得到。
"""def custom_threshold(image):        #自定義閾值gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)h, w = gray.shape[:2]m = np.reshape(gray, [1, w*h])  #降維mean = m.sum() / (w*h)    #求均值# print("mean : ", mean)ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)#利用均值進行圖像二值化cv.imshow("custom_threshold_binary", binary)src = cv.imread("F:/images/text1.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
threshold_demo(src)
local_threshold(src)
custom_threshold(src)cv.waitKey(0)cv.destroyAllWindows()

運行結(jié)果：

3，超大圖像二值化
對于超大圖像，一般要先分塊然后再局部二值化（方便顯示和進一步后處理）：
源代碼：

import cv2 as cv
import numpy as npdef big_image_binary(image):print(image.shape)#查看圖像大小cw = 256          #定義塊的大小ch = 256h, w = image.shape[:2]gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)for row in range(0, h, ch):for col in range(0, w, cw):roi = gray[row:row+ch, col:cw+col]#dst = cv.adaptiveThreshold(roi, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY ,127,20)噪聲比較多時采用自適應(yīng)方法比較好print(np.std(roi), np.mean(roi))dev = np.std(roi)#針對空白圖像，不處理，可以提高效率或者去噪if dev < 15:gray[row:row + ch, col:cw + col] = 255else:ret, dst = cv.threshold(roi, 0, 255,  | cv.THRESH_OTSU)gray[row:row + ch, col:cw + col] = dstcv.imwrite("D:/vcprojects/result_binary.png", gray)src = cv.imread("F:/images/red_text.png")
#cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
#cv.imshow("input image", src)
big_image_binary(src)
cv.waitKey(0)cv.destroyAllWindows()

總結(jié)

以上是生活随笔為你收集整理的OpenCV+python：图像二值化的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。