Python OpenCV 圖像的二值化操作再次學習與圖像平滑處理（卷積處理）

Python OpenCV 365 天學習計劃，與橡皮擦一起進入圖像領域吧。本篇博客是這個系列的第 44 篇。

基礎知識鋪墊

今天再去回顧 上一篇 寫二值化操作的博客，內容還是稚嫩了一些，果然第一遍的學習只是掌握了一丟丟的皮毛，還有很多細節的知識點需要補充。

二值化學習迭代

首先還是對 cv2.theshold 函數進行學習，函數原型與參數基礎部分，翻閱上篇博客即可，重點補充如下內容。

函數原型還是先參考一下：

retval, dst = cv2.threshold(src, thresh, maxval, type[, dst])

重點要說明的參數是 type，先回顧一下基本函數的基本使用代碼，畢竟有代碼才方便回顧內容：

import cv2 as cv import numpy as np src = cv.imread("./test.png") gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) retval, dst = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) image = np.hstack((gray, dst)) cv.imshow("image", image) cv.waitKey()

運行結果如下：

最后一個 type 參數是復習到的重點知識，它的取值影響了最終二值圖的結果。

在看一下 type 取值常見的有如下 5 個，這 5 個還可以分為三組，分別是

THRESH_BINARY 與 THRESH_BINARY_INV；

THRESH_TRUNC；

THRESH_TOZERO 與 THRESH_TOZERO_INV。

第一組中的兩個取值和第三組的兩個含義相同，都是相反的關系，因此看一個參數值即可。

THRESH_BINARY 最常用的，表示當像素點的值大于閾值 thresh 就取 maxval 設置的顏色，一般將 thresh 設置為 127，將 maxval 設置為 255，那 THRESH_BINARY 就會把所有灰度值大于 127 的都設置為 255。這里注意二值化操作的是灰度圖像，雖然傳遞彩色圖像也起作用，但是做二值化的時候，一定要提前把彩色圖像轉換為二值圖像才可。

THRESH_TOZERO 超過閾值的像素無變化，不大于的像素設置為 0，具體其實你進行一下簡單嘗試即可。

import cv2 as cv import numpy as np cv.namedWindow("image",cv.WINDOW_FREERATIO) src = cv.imread("./test.png") gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) retval1, dst1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) retval2, dst2 = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO) image = np.hstack((dst1,dst2)) cv.imshow("image", image) cv.waitKey()

使用該辦法，明顯會看到有些地方的灰度值得到了保留，注意 THRESH_TOZERO 是超過閾值的像素無變化，未超過的設置為 0 。

與 THRESH_BINARY 對比之后得到的結論就是，黑的地方一起黑，白的地方你更白。

所以在使用 THRESH_TOZERO 的時候，寫成下面這個樣子也沒有什么問題。

retval2, dst2 = cv.threshold(gray, 127, 0, cv.THRESH_TOZERO)

THRESH_TRUNC 截斷閾值化，大于閾值部分設置為閾值，否則不變，測試代碼如下：

retval1, dst1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) retval2, dst2 = cv.threshold(gray, 127, 0, cv.THRESH_TOZERO) retval3, dst3 = cv.threshold(gray, 127, 0, cv.THRESH_TRUNC) image = np.hstack((dst1,dst2,dst3))

對比之后，立馬就能明白，THRESH_TRUNC 會把圖片的灰度值上限設置成一個具體值，例如本案例中的 127。

圖像平滑處理學習迭代

平滑處理即卷積操作，在 這篇博客 前后都有所涉及，再次學習的時候，我們將其進行一下補充。

在對圖像進行去噪處理的時候，可以使用均值濾波，它是簡單的平均卷積操作，關于卷積數學相關的之后，在稍微后放 10 幾天的時間，在進行補充，因為接下來的內容很多地方都會有卷積，多學一些應用層的之后，再去復盤數學基礎，就事半功倍了。

雖然不涉及數學原理，但是咱還需要對底層實現進行一下基本的認知的，為了方便實現，我采用一張手動生成的灰度圖進行演示。

生成一張灰度圖的代碼：

import cv2 as cv import numpy as np # 生成一個10*10的灰度圖片 src = np.random.randint(256,size=(10, 10),dtype=np.uint8) print(src) cv.imshow("src",src)

因為是隨機生成的，輸出的代碼如下：

[[ 90 134 192 243 116 2 172 143 22 218] [192 145 171 125 175 138 64 232 90 160] [ 61 20 231 37 77 27 141 182 71 194] [136 86 10 239 196 137 192 243 47 40] [220 167 3 50 227 70 135 227 225 218] [207 10 213 134 249 157 179 112 58 78] [107 33 68 143 124 215 175 167 108 195] [ 32 227 43 249 61 168 230 180 82 47] [ 89 211 253 141 199 140 34 185 179 32] [ 18 98 109 92 37 13 200 102 97 218]]

均值濾波默認會選擇一個 3x3 的卷積核，然后進行從左到右，從上到下的卷積操作。

上圖紅色的 137，就是進行均值濾波之后的結果，計算中心數字 145 周圍的 9 個數字之和，然后再除以 9，得到 137，替換掉 145 。

但是該操作你也會發現一個問題，就是邊緣是無法湊到卷積核 3x3 的，這里橡皮擦也查閱了相關資料，存在的解釋就是邊緣填充，也就是前幾篇博客學習的內容，不過我進行嘗試之后，發現結果并不理想，抽時間還是要查閱一下 OpenCV 的源碼，核對一下到底是什么計算方式，不過核心的思路已經比較清楚了，均值就是計算平均值。

由于它是該卷積核取九個值的平均值代替中間像素值，所以最終的效果是平滑的，將其應用到具體圖像上，呈現如下效果。

import cv2 as cv import numpy as np cv.namedWindow("image",cv.WINDOW_FREERATIO) src = cv.imread("./t1.jpg") gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) dst = cv.blur(gray,(3,3)) image = np.hstack((gray,dst)) cv.imshow("image", image) cv.waitKey()

卷積核大小設置成任意都是可以的，只不過建議設置為 3x3、5x5 這些奇數。

方框濾波

在之前的博客中貌似沒有涉及方框濾波的內容，這里在進行一下補充，與均值濾波用法基本一致，函數原型如下：

dst = cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])

可以選擇是否進行歸一化操作，具體代碼可以運行下述內容：

# 歸一化 dst = cv.boxFilter(gray,-1,(3,3),normalize=True) # 不做歸一化 dst = cv.boxFilter(gray,-1,(3,3),normalize=False)

簡單說，不做歸一化操作，在使用 3x3 卷積核進行計算之后，不除以 9，像素越界，默認保留成 255，也就大白了。

高斯濾波就是增加了高斯分布相關的知識，或者增加了空間距離相關的概念，說白了就是像素周邊的像素權重不同了。相比于均值濾波，高斯濾波有著更好的平滑效果。

中值濾波就是把卷積核覆蓋的矩陣進行從小到大排序，然后取中值為目標圖像的像素值。

橡皮擦的小節

希望今天的 1 個小時你有所收獲，我們下篇博客見~

相關閱讀

技術專欄

Python 爬蟲 100 例教程，超棒的爬蟲教程，立即訂閱吧

Python 爬蟲小課，精彩 9 講

今天是持續寫作的第

86

/ 100 天。

如果你想跟博主建立親密關系，可以關注同名公眾號

夢想橡皮擦

，近距離接觸一個逗趣的互聯網高級網蟲。

博主 ID：夢想橡皮擦，希望大家

、

評論

、

。

OpenCV Python 神經網絡

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。