利用Python实现图像的二值化

这篇具有很好参考价值的文章主要介绍了利用Python实现图像的二值化。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  

目录

1、全局阈值法

1.1主要函数:

1.2全局阈值的代码实现

1.3特点

2、自适应阈值法

2.1主要函数:

2.2实现代码:

2.3特点:

3、OTSU二值化(最大类间方差法)

3.1实现代码:

3.2特点

4、实例展示

参考文献: 


           传统的机器视觉通常包括两个步骤:预处理和物体检测。而沟通二者的桥梁则是图像分割(Image Segmentation)。图像分割通过简化或改变图像的表示形式,使得图像更易于分析。简单的图像分割方法是二值化(Binarization)。图像是由矩阵构成,矩阵中每个点的RGB值都不一样,呈现出来的色彩不一样,最终整体呈现给我们的就是一张彩色的图像。所谓”二值化处理“就是将矩阵中每个点的RGB值(0,0,0)或者(255,255,255)。

        由于二值图像数据足够简单,许多视觉算法都依赖二值图像。通过二值图像,能更好地分析物体的形状和轮廓。二值图像也常常用作原始图像的掩模(又称遮罩、蒙版,Mask):它就像一张部分镂空的纸,把我们不感兴趣的区域遮掉。进行二值化有多种方式,其中最常用的就是采用全局阈值法、自适应阈值法、OTSU二值化等方法进行二值化。本文对于基于python来实现多种方式的二值化。


1、全局阈值法

        简单阈值是选取一个全局阈值,然后把整幅图像分成非黑即白的二值图像,灰度值大于阈值就赋为255反之为0。

1.1主要函数:

        ret,mask = cv2.threshold(a,b,c,d)

参数一a: 初始图像

参数二b:我们自己设定的阈值

参数三c: 当图像像素置超过我们的设定的阈值时赋为255

参数四d : 我们设定的二值化类型

返回值一: 阈值,(Otsu‘s二值化会用到)

返回值二: 处理以后的图像

        其中参数四的二值化类型有以下五种:

类型

<阈值

>阈值

THRESH_BINARY

置0

置填充色

THRESH_BINARY_INV

置填充色

0

THRESH_TRUNC

保持原色

置灰色

THRESH_TOZERO

置0

保持原色

THRESH_TOZERO_INV

保持原色

置0

THRESH_MASK

THRESH_OTSU

利用OTSU方法寻找合适的阈值

1.2全局阈值的代码实现

ret, mask_all = cv2.threshold(src=img,             # 要二值化的图片
                       thresh=127,           # 全局阈值
                       maxval=255,           # 大于全局阈值后设定的值
                       type=cv2.THRESH_BINARY)# 设定的二值化类型,
print("全局阈值的shape: ", mask_all.shape)
plt.subplot(2, 2, 2)
plt.imshow(mask_all, cmap='gray')
plt.show()
plt.title("全局阈值")

1.3特点

        对整幅图像都是用一个统一的阈值来进行二值化,方法简单易于实现。但是对光照不均匀的图像容易出现错误的二值分割。


2、自适应阈值法

自适应阈值法的原理就是将像素点与该点所在区域的像素的平均值(最大值、中位数等)做比较,大于则赋予255;反之,为0。

2.1主要函数:

h2 = cv.adaptiveThreshold(a,b,c,d,e,f)

返回值: 处理后返回的图像

参数一a: 原始图像

参数二b:像素值上限

参数三c:自适应方法

  • cv2.ADAPTIVE_THRESH_MEAN_C :领域内均值
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C :领域内像素点加权和

参数四:赋值方式(参考全局阈值中介绍的表格)

参数五:设定方阵的大小,将一个点与其周围的方阵数据对比,合适的方阵大小对于结果的影像较大。

参数六:常数,每个区域计算出的阈值的基础上在减去这个常数作为这个区域的最终阈值,可以为负数。

2.2实现代码:

mask_local=cv2.adaptiveThreshold(src=img,      # 要进行处理的图片
                             maxValue=255, # 大于阈值后设定的值
adaptiveMethod=cv2.ADAPTIVE_THRESH_MEAN_C,# 自适应方法  
thresholdType=cv2.THRESH_BINARY,             # 同全局阈值法中的参数一样
                            blockSize=11,   # 方阵(区域)大小,
                                   C=1)   # 常数项,

print("局部阈值的shape: ", mask_local.shape)
plt.subplot(2, 2, 3)
plt.imshow(mask_local, cmap='gray')
plt.show()
plt.title("局部阈值")

2.3特点:

        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。


3、OTSU二值化(最大类间方差法)

  Otsu算法(大津法或最大类间方差法)使用的是聚类的思想,把图像的灰度数按灰度级分成2个部分,使得两个部分之间的灰度值差异最大,每个部分之间的灰度差异最小,(相当于类间保持差异性,类内保持一致性)通过方差的计算来寻找一个合适的灰度级别来划分。 所以可以在二值化的时候采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响。因此,使类间方差最大的分割意味着错分概率最小。

3.1实现代码:

ret2,mask_OTSU=cv2.threshold(img,0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print("OTSU的shape: ", mask_OTSU.shape)
plt.subplot(2, 2, 4)
plt.imshow(mask_OTSU, cmap='gray')
plt.title("OTSU")
plt.show()

3.2特点

        类间方差法对噪音和目标大小十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,但是类间方差法是用时最少的。


4、实例展示

利用Python实现图像的二值化利用Python实现图像的二值化利用Python实现图像的二值化利用Python实现图像的二值化 利用Python实现图像的二值化利用Python实现图像的二值化

 文章来源地址https://www.toymoban.com/news/detail-435720.html

参考文献: 

https://blog.csdn.net/qq_36686437/article/details/120682663

https://numpy.org/doc/stable/reference/generated/numpy.hstack.html

https://zhuanlan.zhihu.com/p/360824614

https://blog.csdn.net/jjddss/article/details/72841

https://blog.csdn.net/li_l_il/article/details/86767790

https://blog.csdn.net/JNingWei/article/details/77747959

https://blog.csdn.net/weixin_35732969/article/details/83779660

 

 

到了这里,关于利用Python实现图像的二值化的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • OCR 文字检测,可微的二值化(Differentiable Binarization --- DB)

    百度飞桨(PaddlePaddle) - PaddleOCR 文字识别简单使用 百度飞桨(PaddlePaddle) - PP-OCRv3 文字检测识别系统 预测部署简介与总览 百度飞桨(PaddlePaddle) - PP-OCRv3 文字检测识别系统 Paddle Inference 模型推理(离线部署) 百度飞桨(PaddlePaddle) - PP-OCRv3 文字检测识别系统 基于 Paddle Serving快速使用

    2024年02月04日
    浏览(44)
  • python图像处理实战(二)—二值化图像与线性变换

    🚀写在前面🚀 🖊个人主页:https://blog.csdn.net/m0_52051577?type=blog  🎁欢迎各位大佬支持点赞收藏,三连必回!! 🔈本人新开系列专栏—python图像处理 ❀愿每一个骤雨初晴之时,所有的蜻蜓振翅和雨后惊雷,都归你。 前言         首先引入以下灰度变换的概念。      

    2024年02月07日
    浏览(52)
  • FPGA|数字图像处理实现口罩识别——二值化

    【写在前面】刚入门小菜鸟,记录一下口罩识别学习过程。参考文件和网址会在文末注明。有错误欢迎指出,也欢迎进行补充~ 原理图如下,二值化对应为红框里的部分 使用的二值化方法是 手动指定一个 阈值 ,通过阈值来进行二值化处理 。(还有一种方法是一个自适应阈值

    2023年04月11日
    浏览(49)
  • Python实现图片二值化

    图像二值化就是将图像上的像素点的“灰度值”设置为[0, 0, 0]或[255, 255, 255],即要么纯黑,要么纯白。 通过二值化,能更好地分析物体的形状和轮廓。 二值化的实现一般有: 全局阈值法、自适应阈值法、OTSU二值化等 (1)全局阈值法 就是选定一个全局阈值,大于这个值的色

    2024年02月11日
    浏览(57)
  • OpenCV-Python学习(10)—— OpenCV 图像二值化处理(cv.threshold)

    1. 学习目标 理解图像的分类,不同类型的图像的区别; 对图像进行二值化处理,对【 cv.threshold 】函数的理解。 2. 图像分类 2.1 不同类型图像说明 按照颜色对图像进行分类,可以分为二值图像、灰度图像和彩色图像。 二值图像: 只有黑色和白色两种颜色的图像。 每个像素

    2024年02月03日
    浏览(74)
  • 【GEE笔记】最大类间方差法(otsu、大津法)算法实现——计算阈值、图像二值化分割

    1、最大类间方差法原理概述 2、GEE频率分布统计,直方图绘制 3、算法具体实现,以GEE JavaScript版本为例 4、目标像元提取,以遥感影像提取水体为示例 最大类间方差法(又名otsu、大津法)是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。算法假定该图像根据

    2024年02月06日
    浏览(60)
  • 图像二值化算法

    图像二值化( Image Binarization)就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。二值图像每个像素只有两种取值:要么纯黑,要么纯白。进行二值化有多种方式,其中最常用的就是采用阈值法(Thresholding)进行二值化。 根据阈值

    2024年02月06日
    浏览(50)
  • 图像二值化(一)

      继《图像灰度处理》后,我们继续讨论图像处理的其他基本操作——图像二值化处理。   图像二值化是将像素点的灰度值设为0或255,使图像呈现明显的黑白效果。二值化之前需要把图像进行灰度处理。图像选用的是最近很火的ChatGPT标志。   Threshold为全局阈值,但是

    2024年02月07日
    浏览(36)
  • 图像二值化

    图像二值化就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。 要得到二值化图像,首先要把图像灰度化,然后将256个亮度等级的灰度图像通过适当的阈值选取而

    2024年02月05日
    浏览(66)
  • 基于FPGA的图像自适应阈值二值化算法实现,包括tb测试文件和MATLAB辅助验证

    目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 4.1Otsu方法 4.2 Adaptive Thresholding方法 4.3、FPGA实现过程 5.算法完整程序工程 Vivado2019.2 matlab2022a        图像二值化是数字图像处理中的一种常见技术,可以将灰度图像转换为黑白二值图像,突出图像

    2024年02月08日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包