opencv python如何实现图像二值化

这篇文章主要介绍了opencv python如何实现图像二值化,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 代码如下 import cv2 as cv import numpy as np import matplotlib.pyplot as plt # 二值图像就是将灰度图转化成黑白图，没有灰，在一个值之前为黑，之后为白 # 有全局和局部两种 # 在使用全局阈值时，我们就是随便给了一个数来做阈值，那我们怎么知道我们选取的这个数的好坏呢？答案就是不停的尝试。 # 如果是一副双峰图像（简 单来说双峰图像是指图像直方图中存在两个峰）呢？ # 图像二值化是计算机视觉和图像处理中的基本操作，它将图像转化为只有黑白两色的形式，使得图像的细节和特征更加突出，便于后续的分析和处理。OpenCV 是一个广泛使用的开源计算机视觉库，它提供了多种语言的接口，包括Python。在OpenCV中，我们可以使用不同的方法来实现图像的二值化。 二值化的概念是将图像中的灰度级简化为两种状态，通常用0表示黑色，255表示白色。这可以通过设置一个阈值来实现，低于阈值的像素值被设为黑色，高于或等于阈值的像素值被设为白色。有两种主要的二值化方式：全局阈值和局部（自适应）阈值。 全局阈值适用于图像整体亮度较为均匀的情况。在OpenCV中，可以使用`cv.threshold()`函数实现全局阈值二值化。例如： ```python ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) ``` 这里的`gray`是灰度图像，`127`是阈值，`255`是白色像素的新值，`cv.THRESH_BINARY`表示使用二值阈值。对于双峰图像，即直方图有两个明显峰值的图像，可以使用Otsu二值化，它会自动计算最优阈值，适用于双峰图像： ```python ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY | cv.THRESH_OTSU) ``` Otsu二值化通过最大化类间方差来找到最佳分割点，对于非双峰图像可能效果不佳。 除了全局阈值，OpenCV还提供了其他几种阈值处理方法，如`cv.THRESH_BINARY_INV`（反向二值化），`cv.THRESH_TRUNC`（截断阈值，高于阈值的像素被截断为阈值），`cv.THRESH_TOZERO`（高于阈值的像素值变为0）和`cv.THRESH_TOZERO_INV`（高于阈值的像素值变为原值的相反数）。 然而，对于亮度不均的图像，全局阈值可能无法得到理想效果。这时可以使用自适应阈值，OpenCV的`cv.adaptiveThreshold()`函数可以根据图像的局部区域计算阈值。例如： ```python ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_OTSU) ``` 这里`cv.ADAPTIVE_THRESH_MEAN_C`代表使用邻域的平均值作为阈值，`cv.ADAPTIVE_THRESH_GAUSSIAN_C`则使用高斯加权平均值。`blockSize`参数定义了计算阈值的邻域大小，`C`是一个常数，用于调整最终的阈值。 OpenCV通过各种阈值处理方法提供了一套强大的工具来应对不同的图像二值化需求。在实际应用中，可以根据图像的特性和应用场景选择合适的二值化策略。