软文范例大全200字,网站seo优化培训,灰色项目源码,网站开发的国内外研究现状引言
阈值处理是图像处理中最基础、最常用的技术之一#xff0c;它能够将灰度图像转换为二值图像#xff0c;为后续的图像分析和处理奠定基础。本文将全面介绍OpenCV中的各种阈值处理方法#xff0c;包括原理讲解、代码实现和实际应用场景。
一、什么是阈值处理#xff1…引言
阈值处理是图像处理中最基础、最常用的技术之一它能够将灰度图像转换为二值图像为后续的图像分析和处理奠定基础。本文将全面介绍OpenCV中的各种阈值处理方法包括原理讲解、代码实现和实际应用场景。
一、什么是阈值处理
阈值处理Thresholding是通过设定一个或多个阈值将图像的像素值分为若干类的过程。对于灰度图像通常是选择一个阈值将像素分为黑和白两类从而创建二值图像。
数学表达式
dst(x,y) maxVal if src(x,y) thresh 0 otherwise二、OpenCV中的阈值处理函数
OpenCV提供了cv2.threshold()函数用于基本的阈值处理其函数原型为
retval, dst cv2.threshold(src, thresh, maxval, type[, dst])参数说明
src输入图像必须为灰度图thresh阈值maxval当像素值超过阈值时赋予的最大值type阈值类型retval实际使用的阈值某些方法会自动计算dst输出图像
三、5种基本阈值处理方法
1. 二进制阈值化THRESH_BINARY
import cv2
import numpy as npimg cv2.imread(image.jpg, 0) # 以灰度模式读取
ret, thresh1 cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)效果像素值127设为255否则设为0
2. 反二进制阈值化THRESH_BINARY_INV
ret, thresh2 cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)效果与THRESH_BINARY相反
3. 截断阈值化THRESH_TRUNC
ret, thresh3 cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)效果像素值127设为127否则保持不变
4. 阈值化为0THRESH_TOZERO
ret, thresh4 cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)效果像素值127保持不变否则设为0
5. 反阈值化为0THRESH_TOZERO_INV
ret, thresh5 cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)效果与THRESH_TOZERO相反
四、自适应阈值处理
当图像光照不均时全局阈值效果不佳此时可以使用自适应阈值
thresh cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY, 11, 2)参数说明
adaptiveMethod自适应方法 ADAPTIVE_THRESH_MEAN_C邻域均值ADAPTIVE_THRESH_GAUSSIAN_C邻域加权和高斯 blockSize邻域大小奇数C从均值或加权和中减去的常数
五、Otsu’s二值化大津算法
对于双峰图像直方图有两个明显峰值Otsu方法可以自动确定最佳阈值
ret2, th2 cv2.threshold(img, 0, 255, cv2.THRESH_BINARYcv2.THRESH_OTSU)六、实际应用案例
1. 文档扫描与OCR预处理
def preprocess_for_ocr(image_path):img cv2.imread(image_path, 0)# 使用Otsu方法自动阈值化_, thresh cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU)# 去噪kernel np.ones((3,3), np.uint8)processed cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations1)return processed2. 工业检测中的缺陷识别
def detect_defects(reference_img, test_img):# 转换为灰度图ref_gray cv2.cvtColor(reference_img, cv2.COLOR_BGR2GRAY)test_gray cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)# 计算差异diff cv2.absdiff(ref_gray, test_gray)# 自适应阈值处理thresh cv2.adaptiveThreshold(diff, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)# 寻找轮廓contours, _ cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制缺陷区域result test_img.copy()for cnt in contours:if cv2.contourArea(cnt) 10: # 忽略小面积x,y,w,h cv2.boundingRect(cnt)cv2.rectangle(result, (x,y), (xw,yh), (0,0,255), 2)return result七、阈值处理的高级技巧
1. 多阈值处理
def multi_threshold(image):gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 定义三个阈值_, th1 cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY)_, th2 cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY)_, th3 cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 组合结果result np.zeros_like(gray)result[(gray 0) (gray 50)] 0result[(gray 50) (gray 100)] 100result[(gray 100) (gray 150)] 200result[gray 150] 255return result2. 基于HSV空间的阈值处理
def hsv_threshold(image):hsv cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 定义颜色范围示例红色lower_red np.array([0, 120, 70])upper_red np.array([10, 255, 255])mask1 cv2.inRange(hsv, lower_red, upper_red)lower_red np.array([170, 120, 70])upper_red np.array([180, 255, 255])mask2 cv2.inRange(hsv, lower_red, upper_red)# 合并maskmask mask1 mask2# 应用maskresult cv2.bitwise_and(image, image, maskmask)return result八、性能优化
性能优化建议
对小图像使用全局阈值对大图像使用自适应阈值在循环中处理视频帧时预先转换为灰度图合理选择blockSize通常11-31之间的奇数
九、总结
阈值处理是图像分割和特征提取的基础掌握各种阈值处理方法能够为更复杂的计算机视觉任务打下坚实基础。本文介绍了OpenCV中的基本阈值处理方法、自适应阈值和大津算法并提供了实际应用案例和高级技巧。希望通过本文的学习您能够根据不同的应用场景选择合适的阈值处理方法。
