opencv python：图像二值化，,import cv2

opencv python：图像二值化，,import cv2

import cv2 as cvimport numpy as npimport 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？# 我们岂不是应该在两个峰之间的峰谷选一个值作为阈值？这就是 Otsu 二值化要做的。# 简单来说就是对 一副双峰图像自动根据其直方图计算出一个阈值。# （对于非双峰图像，这种方法 得到的结果可能会不理想）。def threshold_demo(image):    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    # 这个函数的第一个参数就是原图像，原图像应该是灰度图。    # 第二个参数就是用来对像素值进行分类的阈值。    # 第三个参数就是当像素值高于（有时是小于）阈值时应该被赋予的新的像素值    # 第四个参数来决定阈值方法，见threshold_simple()    # ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)    ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)    print("threshold value: %s"%ret)    cv.imshow("threshold_demo", binary)def threshold_simple(image):    img = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)    ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)    ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)    ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)    ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)    titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']    images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]    for i in range(6):        plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')  # 将图像按2x3铺开        plt.title(titles[i])        plt.xticks([]), plt.yticks([])    plt.show()# 在前面的部分我们使用是全局阈值，整幅图像采用同一个数作为阈值。# 当时这种方法并不适应与所有情况，尤其是当同一幅图像上的不同部分的具有不同亮度时。# 这种情况下我们需要采用自适应阈值。此时的阈值是根据图像上的 每一个小区域计算与其对应的阈值。# 因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。# 这种方法需要我们指定三个参数，返回值只有一个# _MEAN_C：阈值取自相邻区域的平均值,_GAUSSIAN_C：阈值取值相邻区域 的加权和，权重为一个高斯窗口。# Block Size - 邻域大小（用来计算阈值的区域大小）。# C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。def threshold_adaptive(image):    img = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    # 中值滤波    img = cv.medianBlur(img,5)    ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)    # 11 为 Block size, 2 为 C 值    th2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)    th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)    titles = ['Original Image', 'Global Threshold (v = 127)', 'Adaptive Mean Threshold', 'Adaptive Gaussian Threshold']    images = [img, th1, th2, th3]    for i in range(4):        plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')        plt.title(titles[i])        plt.xticks([]), plt.yticks([])    plt.show()def threshold_custom(image):    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    h, w = gray.shape[:2]    m = np.reshape(gray, [1, w*h])    mean = m.sum() / (w*h)  # 求出整个灰度图像的平均值    print("mean:", mean)    ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)    cv.imshow("threshold_custom", binary)# 将大图片拆分成小图片后再用自适应局部阈值比较好def big_image_demo(image):    print(image.shape)    cw = 200    ch = 200    h, w = image.shape[:2]    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    cv.imshow("big_image_demo_gray", gray)    # 将一张图片每隔ch * cw分成一份    for row in range(0, h, ch):        for col in range(0, w, cw):            roi = gray[row:row+ch, col:col+cw]            dst = cv.adaptiveThreshold(roi, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 127, 2)            gray[row:row + ch, col:col + cw] = dst            print(np.std(dst), np.mean(dst))    cv.imwrite("../images/result_big_image.png", gray)def main():    img = cv.imread("../images/02.jpg")    # threshold_demo(img)    # threshold_simple(img)    # threshold_adaptive(img)    # threshold_custom(img)    src = cv.imread("../images/big_image.jpg")    big_image_demo(src)    cv.waitKey(0)  # 等有键输入或者1000ms后自动将窗口消除，0表示只用键输入结束窗口    cv.destroyAllWindows()  # 关闭所有窗口if __name__ == '__main__':    main()

opencv python：图像二值化