【opencv学习笔记 16图像二值化】代码详细注释

图像二值化 二值图像：只有黑和白 0 代表黑色 1 其实是255 代表白色 图像二值化的方法 全局阈值 局部阈值 OTSU Triangle 手动与自动 自适应阈值 相关代码 import cv2 as cv import numpy as np def threshold_demo(image): """ 全局阈值 :param image: :return: """ # 首先图像灰度化处理 gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY) # 函数参数 输入的图像 阈值 最大值 在OpenCV中，图像二值化是一种将图像转化为只有黑白两色（通常0代表黑色，255代表白色）的处理方法，它简化了图像，便于后续的分析和处理。这个过程通过设置阈值来实现，低于阈值的像素被设为黑色，高于阈值的像素则被设为白色。 在提供的代码中，`threshold_demo`函数展示了多种不同的二值化方法。图像通常需要进行灰度化处理，即通过`cv.cvtColor`函数将彩色图像转换为灰度图像，这一步由`gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)`完成。 1. **全局阈值**：适用于背景和前景对比明显的图像。使用`cv.threshold`函数，传入灰度图像、阈值、最大值以及阈值类型（如`cv.THRESH_BINARY`或`cv.THRESH_BINARY_INV`）。例如，`ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)`将所有大于127的像素设为255（白色），小于等于127的设为0（黑色）。 2. **Otsu's 自适应阈值**（`cv.THRESH_OTSU`）：自动计算最优阈值，适用于光照不均匀的场景。`ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)`，这里的`ret`会返回自动计算出的阈值。 3. **截断阈值**（`cv.THRESH_TRUNC`）：大于阈值的像素设为阈值，小于阈值的保持不变。例如，`ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)`，所有大于127的像素被设为127。 4. **零阈值**（`cv.THRESH_TOZERO`）：小于阈值的像素设为0，大于阈值的保持不变。如`ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)`，所有小于127的像素变为0。 5. **局部阈值**：`local_threshold`函数中，使用`cv.adaptiveThreshold`实现，它根据图像的局部区域计算阈值，适应光照变化。`binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10)`，这里的参数分别表示输入图像、最大值、适应性阈值方法（高斯加权或平均）、邻域大小和常数值。 6. **自定义阈值**：`custom_threshold`函数中，先计算图像的均值作为阈值，然后进行二值化处理。`mean = m.sum() / (w * h)`计算均值，`ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)`用均值作为阈值进行二值化。 代码加载了一张名为"tree.jpg"的图像，对它进行了各种阈值处理，并显示结果。通过`cv.imshow`显示图像，`cv.waitKey(0)`暂停程序，等待用户按键，`cv.destroyAllWindows()`关闭所有窗口。 图像二值化是图像处理的基础操作，广泛应用于文字识别、边缘检测、物体分割等场景。通过选择合适的阈值或阈值计算方法，可以优化图像并提高后续处理的效率和准确性。