關於python3 opencv 影象二值化的問題(cv2.adaptiveThreshold函數)

2022-04-04 16:00:03

前一篇研究了opencv二值化方法threshold的使用，但是這個方法也存在一定的侷限性，假如有一張圖存在明顯的明暗不同的區域，如下圖

可以看到左邊部分因為整體偏暗，導致二值化後變成全黑，丟失了所有細節，這顯然不是我們想要的結果。

原因threshold函數使用一個閾值對影象進行二值化，導致小於這個閾值的畫素點全都變成0。因此使用一個閾值的二值化方法並不適用於上面的這張圖。那怎麼搞？

很明顯，上面這張圖只有左右兩個區域明顯亮度不同，最簡單的方法就是把圖分成兩個區域，每個區域分別進行二值化，也就是說二值化上面這張圖需要兩個不同的閾值。那如果亮度不同的地方有三個，四個或者更多呢？那就每個區域用一個閾值來進行二值化。按照這個思想，因此有了cv2.adaptiveThreshold函數。

先看一下adaptiveThreshold二值化的使用效果。

明顯還是有效果的，至少左邊部分不是全黑。

接下來簡單說一下adaptiveThreshold方法

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

這個函數大致意思就是把圖片每個畫素點作為中心取N*N的區域，然後計算這個區域的閾值，來決定這個畫素點變0還是變255

src：需要進行二值化的一張灰度影象

maxValue：滿足條件的畫素點需要設定的灰度值。（將要設定的灰度值）

adaptiveMethod：自適應閾值演演算法。可選ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C

thresholdType：opencv提供的二值化方法，只能THRESH_BINARY或者THRESH_BINARY_INV

blockSize：要分成的區域大小，上面的N值，一般取奇數

C：常數，每個區域計算出的閾值的基礎上在減去這個常數作為這個區域的最終閾值，可以為負數

dst：輸出影象，可以忽略

前兩個引數與threshold的src和maxval一樣相同

第三個引數adaptiveMethod

提供兩種不同的計算閾值的方法，按照網上其他大佬的解釋

ADAPTIVE_THRESH_MEAN_C，為區域性鄰域塊的平均值，該演演算法是先求出塊中的均值。

ADAPTIVE_THRESH_GAUSSIAN_C，為區域性鄰域塊的高斯加權和。該演演算法是在區域中(x, y)周圍的畫素根據高斯函數按照他們離中心點的距離進行加權計算。

第四個引數thresholdType

只能THRESH_BINARY或者THRESH_BINARY_INV

第5個引數blockSize

上述演演算法計算鄰域時的領鄰域大小，一般選擇為3、5、7......等

第6個引數C

每個鄰域計算出閾值後再減去C作為最終閾值

演示一下blockSize和C對二值化結果的影響，以THRESH_BINARY，ADAPTIVE_THRESH_GAUSSIAN_C為例

可以看到，當blockSize越大，參與計算閾值的區域也越大，細節輪廓就變得越少，整體輪廓越粗越明顯

當C越大，每個畫素點的N*N鄰域計算出的閾值就越小，中心點大於這個閾值的可能性也就越大，設定成255的概率就越大，整體影象白色畫素就越多，反之亦然。

這種二值化有點類似canny邊緣檢測，用來找輪廓或者特徵點也挺不錯。

import cv2
import numpy as np
 
blocksize = 3
C=0
def adaptive_demo(gray, blocksize, C):
    binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blocksize, C)
    # binary = cv2.GaussianBlur(binary, (15,15), 0)
    cv2.imshow('binary', binary)
def C_changed(value):
    global gray
    global blocksize
    global C
    C = value - 30
    print('C:', C)
    adaptive_demo(gray, blocksize, C)
def blocksize_changed(value):
    blocksize = 2 * value + 1
    print('blocksize:', blocksize)
if __name__ == "__main__":
    image_path = './img/1.jpg'
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    adaptive_demo(gray, 3, 0)
    cv2.createTrackbar('C', 'binary',0, 60, C_changed)
    cv2.createTrackbar('blocksize', 'binary',1, 20, blocksize_changed)
    cv2.waitKey(0)

到此這篇關於python3 opencv 影象二值化筆記（cv2.adaptiveThreshold）的文章就介紹到這了,更多相關python3 opencv 影象二值化內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

關於python3 opencv 影象二值化的問題(cv2.adaptiveThreshold函數)

熱門文章