前一篇研究了opencv二值化方法threshold的使用，但是這個(gè)方法也存在一定的局限性，假如有一張圖存在明顯的明暗不同的區(qū)域，如下圖

可以看到左邊部分因?yàn)檎w偏暗，導(dǎo)致二值化后變成全黑，丟失了所有細(xì)節(jié)，這顯然不是我們想要的結(jié)果。

原因threshold函數(shù)使用一個(gè)閾值對(duì)圖像進(jìn)行二值化，導(dǎo)致小于這個(gè)閾值的像素點(diǎn)全都變成0。因此使用一個(gè)閾值的二值化方法并不適用于上面的這張圖。那怎么搞？

很明顯，上面這張圖只有左右兩個(gè)區(qū)域明顯亮度不同，最簡(jiǎn)單的方法就是把圖分成兩個(gè)區(qū)域，每個(gè)區(qū)域分別進(jìn)行二值化，也就是說(shuō)二值化上面這張圖需要兩個(gè)不同的閾值。那如果亮度不同的地方有三個(gè)，四個(gè)或者更多呢？那就每個(gè)區(qū)域用一個(gè)閾值來(lái)進(jìn)行二值化。按照這個(gè)思想，因此有了cv2.adaptiveThreshold函數(shù)。

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(lái)簡(jiǎn)單說(shuō)一下adaptiveThreshold方法

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

這個(gè)函數(shù)大致意思就是把圖片每個(gè)像素點(diǎn)作為中心取N*N的區(qū)域，然后計(jì)算這個(gè)區(qū)域的閾值，來(lái)決定這個(gè)像素點(diǎn)變0還是變255

src：需要進(jìn)行二值化的一張灰度圖像

maxValue：滿足條件的像素點(diǎn)需要設(shè)置的灰度值。（將要設(shè)置的灰度值）

adaptiveMethod：自適應(yīng)閾值算法?？蛇xADAPTIVE_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(qū)域大小，上面的N值，一般取奇數(shù)

C：常數(shù)，每個(gè)區(qū)域計(jì)算出的閾值的基礎(chǔ)上在減去這個(gè)常數(shù)作為這個(gè)區(qū)域的最終閾值，可以為負(fù)數(shù)

dst：輸出圖像，可以忽略

前兩個(gè)參數(shù)與threshold的src和maxval一樣相同

第三個(gè)參數(shù)adaptiveMethod

提供兩種不同的計(jì)算閾值的方法，按照網(wǎng)上其他大佬的解釋

ADAPTIVE_THRESH_MEAN_C，為局部鄰域塊的平均值，該算法是先求出塊中的均值。

ADAPTIVE_THRESH_GAUSSIAN_C，為局部鄰域塊的高斯加權(quán)和。該算法是在區(qū)域中(x, y)周?chē)南袼馗鶕?jù)高斯函數(shù)按照他們離中心點(diǎn)的距離進(jìn)行加權(quán)計(jì)算。

 第四個(gè)參數(shù)thresholdType

只能THRESH_BINARY或者THRESH_BINARY_INV

第5個(gè)參數(shù)blockSize

上述算法計(jì)算鄰域時(shí)的領(lǐng)鄰域大小，一般選擇為3、5、7......等

第6個(gè)參數(shù)C

每個(gè)鄰域計(jì)算出閾值后再減去C作為最終閾值

演示一下blockSize和C對(duì)二值化結(jié)果的影響，以THRESH_BINARY，ADAPTIVE_THRESH_GAUSSIAN_C為例

可以看到，當(dāng)blockSize越大，參與計(jì)算閾值的區(qū)域也越大，細(xì)節(jié)輪廓就變得越少，整體輪廓越粗越明顯

當(dāng)C越大，每個(gè)像素點(diǎn)的N*N鄰域計(jì)算出的閾值就越小，中心點(diǎn)大于這個(gè)閾值的可能性也就越大，設(shè)置成255的概率就越大，整體圖像白色像素就越多，反之亦然。

這種二值化有點(diǎn)類(lèi)似canny邊緣檢測(cè)，用來(lái)找輪廓或者特征點(diǎn)也挺不錯(cuò)。

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(guān)于python3 opencv 圖像二值化筆記（cv2.adaptiveThreshold）的文章就介紹到這了,更多相關(guān)python3 opencv 圖像二值化內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論