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

Python OpenCV 365 天學習計劃，與橡皮擦一起進入影像領域吧，本篇博客是這個系列的第 44 篇，
該系列文章導航參考：https://blog.csdn.net/hihell/category_10688961.html

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 函式進行學習，函式原型與引數基礎部分，翻閱上篇博客即可，重點補充如下內容，
函式原型還是先參考一下：

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

重點要說明的引數是 type，先回顧一下基本函式的基本使用代碼，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 引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

1. THRESH_BINARY 與 THRESH_BINARY_INV；
2. THRESH_TRUNC；
3. 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，因此看一個引數值即可，

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

THRESH_TOZERO 超過閾值的像素無變化，不大于的像素設定為 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，未超過的設定為 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，大于閾值部分設定為閾值，否則不變，測驗代碼如下：

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定成一個具體值，例如本案例中的 127，

影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，

在對影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作進行一下基本的認知的，為了方便實作，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 的原始碼，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，將其應用到具體影像上，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()

卷積核大小設定成任意都是可以的，只不過建議設定為 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，函式原型如下：

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寫的矩陣進行從小到大排序，然后取中值為目標影像的像素值，

橡皮擦的小節

希望今天的 1 個小時你有所識訓，我們下篇博客見~

相關閱讀

技術專欄

1. Python 爬蟲 100 例教程，超棒的爬蟲教程，立即訂閱吧
2. 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，希望大家點贊、評論、收藏，