一 图像阈值处理
准备一张灰度图像
阈值处理通常是设定一个阈值,让图片的所有像素点的值与其比较做出一系列的操作。
在opencv常用的阈值处理函数有五种,分别是THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV。接下来分别看下这几种处理图片后的效果
1. THRESH_BINAR
# 像素值超过127的变成255,否则为0,亮的更亮ret,threshold1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
2. THRESH_BINARY_INV
# 像素值超过127的变成0,否则为255,亮的更暗ret,threshold2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
3. THRESH_TRUNC
# 像素值超过127的变成127,否则不变,理解成图片整体变暗 ret,threshold3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
4. THRESH_TOZERO
# 像素值超过127的不变,否则为0,理解成加大图片的对比度 ret,threshold4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
5. THRESH_TOZERO_INV
# 像素值超过127的为0,否则不变 ret,threshold5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
阈值处理的使用场景我会在后续的博客中写出~~~
二 . 滤波
滤波的原理是通过指定大小的单位矩阵与图像做相关运算,具体的线性代数的东西这里不展开,若后续工作会深入,再回来完善...
经常使用到的滤波操作有三种,均值滤波、高斯滤波、中位值滤波。
1.均值滤波(通过求与单位矩阵做内积和的平均值做图像处理)
blur = cv2.blur(img,(3,3))
2. 高斯滤波 (根据正态分布处理图像,越靠近中心点,值越接近)
blur2 = cv2.GaussianBlur(img,(3,3),1)
3. 中位值滤波(取指定大小矩阵的所有元素值的中位值处理)
blur3 = cv2.medianBlur(img,5)
把这几张图片水平拼接观察,不难发现在处理噪点的场景中,使用中位值滤波效果最为明显
三. 腐蚀与膨胀
1. 腐蚀
img = cv2.imread("test.png") img2 = cv2.erode(img,kernel=numpy.ones((9,9),numpy.uint8),iterations=9) 和单位矩阵做处理,迭代9次,意味这腐蚀的程度 cv2.imshow("IMage",numpy.hstack((img,img2))) cv2.waitKey(0) cv2.destroyAllWindows()
2. 膨胀 (嗯,和腐蚀操作刚好相反)
img2 = cv2.dilate(img,kernel=numpy.ones((9,9),numpy.uint8),iterations=9) cv2.imshow("IMage",numpy.hstack((img,img2))) cv2.waitKey(0) cv2.destroyAllWindows()
3. 梯度运算(膨胀-腐蚀)
img2=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel=numpy.ones((5,5),numpy.uint8))
cv2.imshow("IMage",img2)
4. 礼帽与黑帽
img2 = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel=numpy.ones((5,5),numpy.uint8)) # 就是腐蚀掉的部分
img3 = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel=numpy.ones((5,5),numpy.uint8)) # 原始部分的外壳
结语:这段时间工作实在太忙了,不是评论提醒都快忘记继续写博客了,这部分的内容学过比较久了,今天整理一下方便他人也方便自己。
——2019-10-17 22:42:32