一 图像阈值处理
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 [url=]  [/url] # 像素值超过127的为0，否则不变 ret,threshold5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) [url=] [/url]
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 [url=] [/url]  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() [url=] [/url]
2. 膨胀 （嗯，和腐蚀操作刚好相反） [url=] [/url]  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() [url=] [/url]
3. 梯度运算（膨胀-腐蚀）
img2=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel=numpy.ones((5,5),numpy.uint8))
4. 礼帽与黑帽 [url=] [/url]  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 [url=] [/url] 更多技术资讯可关注:itheimaGZ获取 |
|
