主頁 > 後端開發 > OpenCV-Python實戰（9）——OpenCV用于影像分割的閾值技術（含大量示例，建議收藏）

OpenCV-Python實戰（9）——OpenCV用于影像分割的閾值技術（含大量示例，建議收藏）

2021-09-29 08:09:06 後端開發

OpenCV-Python實戰（9）——OpenCV用于影像分割的閾值技術（含大量示例，建議收藏）

    • 0. 前言
    • 1. 閾值技術簡介
    • 2. 簡單的閾值技術
      • 2.1 閾值型別
      • 2.2 簡單閾值技術的實際應用
    • 3. 自適應閾值演算法
    • 4. Otsu 閾值演算法
    • 5. Triangle 閾值演算法
    • 6. 對彩色影像進行閾值處理
    • 小結
    • 系列鏈接

0. 前言

影像分割是許多計算機視覺應用中的關鍵處理步驟，通常用于將影像劃分為不同的區域，這些區域常常對應于真實世界的物件，因此，影像分割是影像識別和內容分析的重要步驟，影像閾值是一種簡單、有效的影像分割方法，其中像素根據其強度值進行磁區，在本文中，將介紹 OpenCV 所提供的主要閾值技術，可以將這些技術用作計算機視覺應用程式中影像分割的關鍵部分，

1. 閾值技術簡介

閾值處理是一種簡單、有效的將影像劃分為前景和背景的方法，影像分割通常用于根據物件的某些屬性(例如，顏色、邊緣或直方圖)從背景中提取物件，最簡單的閾值方法會利用預定義常數(閾值)，如果像素強度小于閾值，則用黑色像素替換，如果像素強度大于閾值，則用白色像素替換，OpenCV 提供了 cv2.threshold() 函式來對影像進行閾值處理，
為了測驗 cv2.threshold() 函式，首次創建測驗影像，其包含一些填充了不同的灰色調的大小相同的區域，利用 build_sample_image() 函式構建此測驗影像：

def build_sample_image():
    """創建填充了不同的灰色調的大小相同的區域，作為測驗影像"""
    # 定義不同區域
    tones = np.arange(start=50, stop=300, step=50)
    # 初始化
    result = np.zeros((50, 50, 3), dtype="uint8")

    for tone in tones:
        img = np.ones((50, 50, 3), dtype="uint8") * tone
        # 沿軸連接陣列
        result = np.concatenate((result, img), axis=1)
    return result

接下來將使用不同的預定義閾值： 0 、 50 、 100 、 150 、 200 和 250 呼叫 cv2.threshold() 函式，以查看不同預定義閾值對閾值影像影響，例如，使用閾值 thresh = 50 對影像進行閾值處理：

ret1, thresh1 = cv2.threshold(gray_image, 50, 255, cv2.THRESH_BINARY)

其中，thresh1 是僅包含黑白色的閾值影像，源影像 gray_image 中灰色強度小于 50 的像素為黑色，強度大于 50 的像素為白色，
使用多個不同閾值對影像進行閾值處理：

# 可視化函式
def show_img_with_matplotlib(color_img, title, pos):
    img_RGB = color_img[:, :, ::-1]

    ax = plt.subplot(7, 1, pos)
    plt.imshow(img_RGB)
    plt.title(title, fontsize=8)
    plt.axis('off')
# 使用 build_sample_image() 函式構建測驗影像
image = build_sample_image()
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
for i in range(6):
    # 使用多個不同閾值對影像進行閾值處理
    ret, thresh = cv2.threshold(gray_image, 50 * i, 255, cv2.THRESH_BINARY)
    # 可視化
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(i * 50), i + 2)
# 可視化測驗影像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img with tones of gray - left to right: (0,50,100,150,200,250)", 1)
# 影像進行閾值處理后，常見的輸出是黑白影像
# 因此，為了更好的可視化效果，修改背景顏色
fig.patch.set_facecolor('silver')

plt.show()

閾值技術簡介

從上圖可以看出，根據閾值和樣本影像灰度值的不同，閾值處理后生成的黑白影像的變化情況，

2. 簡單的閾值技術

上一節中，我們已經簡單介紹過了 OpenCV 中提供的簡單閾值處理函式——cv2.threshold()，該函式用法如下：

cv2.threshold(src, thresh, maxval, type, dst=None) -> retval, dst

cv2.threshold() 函式對 src 輸入陣列(可以為單通道或多通道影像)應用預定義常數 thresh 設定的閾值；type 引數用于設定閾值型別，閾值型別的可選值如下：cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO、cv2.THRESH_TOZERO_INV、cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE，
maxval 引數用于設定最大值，其僅在閾值型別為 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 時有效；需要注意的是，在閾值型別為 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 時，輸入影像 src 應為為單通道，

2.1 閾值型別

為了更好的了解閾值操作的不同型別，接下來給出每種閾值型別的具體公式，符號說明：src 是源(原始)影像，dst 對應于閾值化后的目標(結果)影像，因此，src(x, y) 對應于源影像像素 (x, y) 處的強度，而 dst(x, y) 對應于目標影像像素 (x, y) 處的強度，
閾值型別 cv2.THRESH_BINARY 公式如下：
d s t ( x , y ) = { m a x v a l , s r c ( x , y ) > t h r e s h 0 , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} maxval, & src(x,y)>thresh \\[2ex] 0, & src(x,y)\leq thresh \end{cases} dst(x,y)=????maxval,0,?src(x,y)>threshsrc(x,y)≤thresh?
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標影像像素強度 dst(x,y) 將被設為 maxval；否則，設為 0，
閾值型別 cv2.THRESH_BINARY_INV 公式如下：
d s t ( x , y ) = { 0 , s r c ( x , y ) > t h r e s h m a x v a l , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} 0, & src(x,y)>thresh \\[2ex] maxval, & src(x,y)\leq thresh \end{cases} dst(x,y)=????0,maxval,?src(x,y)>threshsrc(x,y)≤thresh?
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標影像像素強度 dst(x,y) 將被設為 0；否則，設為 maxval，
閾值型別 cv2.THRESH_TRUNC 公式如下：
d s t ( x , y ) = { t h r e s h o l d , s r c ( x , y ) > t h r e s h s r c ( x , y ) , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} threshold, & src(x,y)>thresh \\[2ex] src(x,y), & src(x,y)\leq thresh \end{cases} dst(x,y)=????threshold,src(x,y),?src(x,y)>threshsrc(x,y)≤thresh?
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標影像像素強度設定為 threshold；否則，設為 src(x, y)，
閾值型別 cv2.THRESH_TOZERO 公式如下：
d s t ( x , y ) = { s r c ( x , y ) , s r c ( x , y ) > t h r e s h 0 , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} src(x,y), & src(x,y)>thresh \\[2ex] 0, & src(x,y)\leq thresh \end{cases} dst(x,y)=????src(x,y),0,?src(x,y)>threshsrc(x,y)≤thresh?
其表示，如果像素 src(x, y) 的強度高于 thresh，則目標影像像素值將設定為 src(x, y)；否則，設定為 0 ，
閾值型別 cv2.THRESH_TOZERO_INV 公式如下：
d s t ( x , y ) = { 0 , s r c ( x , y ) > t h r e s h s r c ( x , y ) , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} 0, & src(x,y)>thresh \\[2ex] src(x,y), & src(x,y)\leq thresh \end{cases} dst(x,y)=????0,src(x,y),?src(x,y)>threshsrc(x,y)≤thresh?
其表示，如果像素 src(x, y) 的強度大于 thresh，則目標影像像素值將設定為 0；否則，設定為 src(x, y)，
而 cv2.THRESH_OTSU 和 cv2.THRESH_TRIANGLE 屬于特殊的閾值型別，它們可以與上述閾值型別( cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 和 cv2.THRESH_TOZERO_INV)進行組合，組合后，閾值處理函式 cv2.threshold() 將只能處理單通道影像，且計算并回傳最佳閾值，而非指定閾值，
接下來使用不同閾值型別對同樣的測驗影像進行閾值處理，觀察不同閾值處理效果：

ret1, thresh1 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY)
ret2, thresh2 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY)
ret3, thresh3 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_BINARY_INV)
ret4, thresh4 = cv2.threshold(gray_image, 100, 220, cv2.THRESH_BINARY_INV)
ret5, thresh5 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TRUNC)
ret6, thresh6 = cv2.threshold(gray_image, 100, 255, cv2.THRESH_TOZERO)
ret7, thresh7 = cv2.threshold(gray_image,100,255, cv2.THRESH_TOZERO_INV)
# 可視化
show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 255", 2)
show_img_with_matplotlib(cv2.cvtColor(thresh2, cv2.COLOR_GRAY2BGR), "THRESH_BINARY - thresh = 100 & maxValue = 220", 3)
show_img_with_matplotlib(cv2.cvtColor(thresh3, cv2.COLOR_GRAY2BGR), "THRESH_BINARY_INV - thresh = 100", 4)
# 其他影像可視化方法類似，不再贅述
# ...

不同閾值型別
如上圖所示，maxval 引數僅在使用 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 閾值型別時有效，上例中將 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV 型別的 maxval 值設定為 255 及 220，以便查看閾值影像在這兩種情況下的變化情況，

2.2 簡單閾值技術的實際應用

了解 cv2.threshold() 不同引數的作業原理后，我們將 cv2.threshold() 應用于真實影像，并使用不同的閾值：

# 加載影像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 繪制灰度影像
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "img", 1)

# 使用不同的閾值呼叫 cv2.threshold() 并進行可視化
for i in range(8):
    ret, thresh = cv2.threshold(gray_image, 130 + i * 10, 255, cv2.THRESH_BINARY)
    show_img_with_matplotlib(cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR), "threshold = {}".format(130 + i * 10), i + 2)

閾值型別示例
如上圖所示，閾值在使用 cv2.threshold() 對影像進行閾值處理時起著至關重要的作用，假設影像處理演算法用于識別影像中的物件，如果閾值較低，則閾值影像中缺少一些資訊，而如果閾值較高，則有一些資訊會被黑色像素遮擋，因此，為整個影像找到一個全域最優閾值是相當困難的，特別是如果影像受到不同光照條件的影響，找到全域最優閾值幾乎是不可能的，這就是為什么我們需要應用其他自適應閾值演算法來對影像進行閾值處理的原因，

3. 自適應閾值演算法

當由于影像不同區域的光照條件不同時，為了獲取更好的閾值結果，可以嘗試使用自適應閾值，在 OpenCV 中，自適應閾值由 cv2.adapativeThreshold() 函式實作，其用法如下：

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst

此函式將自適應閾值應用于 src 陣列( 8 位單通道影像)，maxValue 引數用于設定 dst 影像中滿足條件的像素值，adaptiveMethod 引數設定要使用的自適應閾值演算法，有以下兩個可選值：

  1. cv2.ADAPTIVE_THRESH_MEAN_C：T(x, y) 閾值為 (x, y) 的 blockSize x blockSize 鄰域的平均值減去引數 C
  2. cv2.ADAPTIVE_THRESH_GAUSSIAN_C：T(x, y) 閾值為 (x, y) 的blockSize x blockSize 鄰域的加權均值減去引數 C

blockSize 引數用于計算像素閾值的鄰域區域的大小，C 引數是均值或加權均值需要減去的常數(取決于由 adaptiveMethod 引數設定的自適應方法)，thresholdType 引數可選值包括 cv2.THRESH_BINARY 和 cv2.THRESH_BINARY_INV，
綜上所屬，cv2.adapativeThreshold() 函式的計算公式如下，其中 T(x, y) 是為每個像素計算的閾值：
當 thresholdType 引數為 cv2.THRESH_BINARY 時：
d s t ( x , y ) = { m a x v a l , s r c ( x , y ) > T ( x , y ) 0 , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} maxval, & src(x,y)>T(x,y) \\[2ex] 0, & src(x,y)\leq thresh \end{cases} dst(x,y)=????maxval,0,?src(x,y)>T(x,y)src(x,y)≤thresh?
當thresholdType 引數為 cv2.THRESH_BINARY_INV 時：
d s t ( x , y ) = { 0 , s r c ( x , y ) > T ( x , y ) m a x v a l , s r c ( x , y ) ≤ t h r e s h dst(x,y) = \begin{cases} 0, & src(x,y)>T(x,y) \\[2ex] maxval, & src(x,y)\leq thresh \end{cases} dst(x,y)=????0,maxval,?src(x,y)>T(x,y)src(x,y)≤thresh?

應用不同自適應閾值方法，進行影像處理：

# 加載影像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 應用自適應閾值處理
thresh1 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
thresh2 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 31, 3)
thresh3 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
thresh4 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 3)
# 可視化
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray img", 1)
show_img_with_matplotlib(cv2.cvtColor(thresh1, cv2.COLOR_GRAY2BGR), "method=THRESH_MEAN_C, blockSize=11, C=2", 2)
# 其他影像可視化方法類似，不再贅述
# ...

自適應閾值演算法
在上圖中，可以看到應用具有不同引數的 cv2.adaptiveThreshold() 處理后的輸出，自適應閾值可以提供更好的閾值影像，但是，影像中也會出現了很多噪點，為了減少噪點，可以應用一些平滑操作，例如雙邊濾波，因為它會在去除噪聲的同時保持銳利邊緣，因此，我們在對影像進行閾值處理之前首先應用 OpenCV 提供的雙邊濾波函式 cv2.bilateralFilter()：

# 加載影像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 雙邊濾波
gray_image = cv2.bilateralFilter(gray_image, 15, 25, 25)
# 應用自適應閾值處理
thresh1 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
# 之后代碼與上一示例想同，不再贅述
# ...

自適應閾值演算法
從上圖可以看到，應用平滑濾波器后，噪聲數量大幅減少，

4. Otsu 閾值演算法

簡單閾值演算法應用同一全域閾值，因此我們需要嘗試不同的閾值并查看閾值影像，以滿足我們的需要，但是，這種方法需要大量嘗試，一種改進的方法是使用 OpenCV 中的 cv2.adapativeThreshold() 函式計算自適應閾值，但是，計算自適應閾值需要兩個合適的引數：blockSize 和 C；另一種改進方法是使用 Otsu 閾值演算法，這在處理雙峰影像時是非常有效(雙峰影像其直方圖包含兩個峰值)， Otsu 演算法通過最大化兩類像素之間的方差來自動計算將兩個峰值分開的最佳閾值，其等效于最佳閾值最小化類內方差，Otsu 閾值演算法是一種統計方法，因為它依賴于從直方圖獲得的統計資訊(例如，均值、方差或熵)，在 OpenCV 中使用 cv2.threshold() 函式計算 Otsu 閾值的方法如下：

ret, th = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

使用 Otsu 閾值演算法，不需要設定閾值，因為 Otsu 閾值演算法會計算最佳閾值，因此引數 thresh = 0，cv2.THRESH_OTSU 標志表示將應用 Otsu 演算法，此標志可以與 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV、cv2.THRESH_TRUNC、cv2.THRESH_TOZERO 以及 cv2.THRESH_TOZERO_INV 結合使用，函式回傳閾值影像 th 和閾值 ret，
將此演算法應用于實際影像，并繪制一條線可視化閾值，確定閾值 th 坐標：

def show_hist_with_matplotlib_gray(hist, title, pos, color, t=-1):
    ax = plt.subplot(2, 2, pos)
    plt.xlabel("bins")
    plt.ylabel("number of pixels")
    plt.xlim([0, 256])
    # 可視化閾值
    plt.axvline(x=t, color='m', linestyle='--')
    plt.plot(hist, color=color)
# 加載影像
image = cv2.imread('example.png')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 直方圖
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
# otsu 閾值演算法
ret1, th1 = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 可視化
show_img_with_matplotlib(image, "image", 1)
show_img_with_matplotlib(cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR), "gray img", 2)
show_hist_with_matplotlib_gray(hist, "grayscale histogram", 3, 'm', ret1)
show_img_with_matplotlib(cv2.cvtColor(th1, cv2.COLOR_GRAY2BGR), "Otsu's binarization", 4)

plt.show()

Otsu 閾值演算法
在上圖圖中，可以看到源影像中沒有噪聲，因此演算法可以正常作業，接下來，我們手動為影像添加噪聲，以觀察噪聲對 Otsu 閾值演算法的影響，然后利用高斯濾波消除部分噪聲，以查看閾值影像變化情況：

import numpy as np
def gasuss_noise(image, mean=0, var=0.001):
    ''' 
        添加高斯噪聲
        mean : 均值 
        var : 方差
    '''
    image = np.array(image/255, dtype=float)
    noise = np.random.normal(mean, var ** 0.5, image.shape)
    out = image + noise
    if out.min() < 0:
        low_clip = -1.
    else:
        low_clip = 0.
    out = np.clip(out, low_clip, 1.0)
    out = np.uint8(out*255)
    return out
# 加載影像、添加噪聲，并將其轉換為灰度影像
image = cv2.imread('903183h98p0.png')
image = gasuss_noise(image,var=0.05)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 計算直方圖
hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
# 應用 Otsu 閾值演算法
ret1, th1 = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 高斯濾波
gray_image_blurred = cv2.GaussianBlur(gray_image, (25, 25), 0)
# 計算直方圖
hist2 = cv2.calcHist([gray_image_blurred], [0], None, [256], [0, 256])
# 高斯濾波后的影像，應用 Otsu 閾值演算法
ret2, th2 = cv2.threshold(gray_image_blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

Otsu 閾值演算法
如上圖所示，如果不應用平滑濾波，閾值影像中也充滿了噪聲，應用高斯濾波后可以正確過濾掉噪聲，同時可以看到濾波后得到的影像是雙峰的，

5. Triangle 閾值演算法

還有另一種自動閾值演算法稱為 Triangle 閾值演算法，它是一種基于形狀的方法，因為它分析直方圖的結構或形狀(例如，谷、峰和其他直方圖形狀特征)，該演算法可以分為三步：第一步，計算直方圖灰度軸上最大值 b m a x b_{max} bmax? 和灰度軸上最小值 b m i n b_{min} bmin? 之間的直線；第二步，計算 b [ b m i n , b m a x ] b [b_{min}, b_{max}] b[bmin?,bmax?] 范圍內直線(在第一步中計算)到直方圖的距離；最后，選擇直方圖與直線距離最大的水平作為閾值，
OpenCV 中 Triangle 閾值演算法的使用方式與 Otsu 的演算法非常相似，只需要將 cv2.THRESH_OTSU 標志修改為 cv2.THRESH_TRIANGLE：

# 加載影像
image = cv2.imread('example.png')
image = gasuss_noise(image,var=0.05)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])
ret1, th1 = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_TRIANGLE)
# 高斯濾波
gray_image_blurred = cv2.GaussianBlur(gray_image, (25, 25), 0)

hist2 = cv2.calcHist([gray_image_blurred], [0], None, [256], [0, 256])
ret2, th2 = cv2.threshold(gray_image_blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_TRIANGLE)

在下圖中，可以看到將 Triangle 閾值演算法應用于噪聲影像時的輸出：

Triangle 閾值演算法

6. 對彩色影像進行閾值處理

cv2.threshold() 函式也可以應用于多通道影像，在此情況下， cv2.threshold() 函式在 BGR 影像的每個通道中應用閾值操作：

image = cv2.imread('example.png')
ret1, thresh1 = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY)

這與在每個通道中應用 cv2.threshold() 函式并合并閾值通道相同的結果：

(b, g, r) = cv2.split(image)
ret2, thresh2 = cv2.threshold(b, 150, 255, cv2.THRESH_BINARY)
ret3, thresh3 = cv2.threshold(g, 150, 255, cv2.THRESH_BINARY)
ret4, thresh4 = cv2.threshold(r, 150, 255, cv2.THRESH_BINARY)
bgr_thresh = cv2.merge((thresh2, thresh3, thresh4))

為了進行對比，我們同時使用其他閾值型別對彩色影像進行閾值處理：

ret5, thresh5 = cv2.threshold(image, 120, 255, cv2.THRESH_TOZERO)

# Apply cv2.threshold():
(b, g, r) = cv2.split(image)
ret2, thresh2 = cv2.threshold(b, 120, 255, cv2.THRESH_TOZERO)
ret3, thresh3 = cv2.threshold(g, 120, 255, cv2.THRESH_TOZERO)
ret4, thresh4 = cv2.threshold(r, 120, 255, cv2.THRESH_TOZERO)
bgr_thresh = cv2.merge((thresh2, thresh3, thresh4))

對彩色影像進行閾值處理
對彩色影像進行閾值處理

小結

閾值技術可用于許多計算機視覺任務(例如，文本識別和影像分割等)，在本文中，我們介紹了可用于對影像進行閾值處理的主要閾值技術，介紹了簡單和自適應閾值技術，同時也了解了如何應用 Otsu 閾值演算法和triangle 閾值演算法來自動選擇一個全域閾值來對影像進行閾值處理，

系列鏈接

OpenCV-Python實戰（1）——OpenCV簡介與影像處理基礎（內含大量示例，📕建議收藏📕）
OpenCV-Python實戰（2）——影像與視頻檔案的處理（兩萬字詳解，?📕建議收藏📕）
OpenCV-Python實戰（3）——OpenCV中繪制圖形與文本（萬字總結，?📕建議收藏📕）
OpenCV-Python實戰（4）——OpenCV常見影像處理技術（??萬字長文，含大量示例??）
OpenCV-Python實戰（5）——OpenCV影像運算（??萬字長文，含大量示例??）
OpenCV-Python實戰（6）——OpenCV中的色彩空間和色彩映射（??萬字長文，含大量示例??）
OpenCV-Python實戰（7）——直方圖詳解（??含大量示例，建議收藏??）
OpenCV-Python實戰（8）——直方圖均衡化（??萬字長文，含大量示例??）

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/303885.html

標籤：python

上一篇：數字影像處理基本運算（四）——幾何運算

下一篇：假裝Python高手，把類這樣改，真刺激！

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態，例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1：當函式不可能拋出例外或不能接受拋出例外時，使用noexcept 理由 如果不打算拋出例外的話，程式就會認為無法處理這種錯誤，并且應當盡早終止，如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接：https://codeforces.com/problemset/problem/1400/E 來源：Codeforces 思路：給你一個陣列，現在你可以進行兩種操作，操作1：將一段沒有 0 的區間進行減一的操作，操作2：將 i 位置上的元素歸零。最終問：將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯，就附帶了一個自己的翻譯版本 思考 這一題，它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數，這里就不慢慢介紹了。但是，重讀題，我們突然發現反向質數都是 $7$ 位，而將它反過來后的數字卻是 $6$ 位數，這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記：C++中的 const 變數詳解，教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中，會分配記憶體（也就是說可以通過地址間接修改變數的值）。測驗代碼如下： 運行結果： 2、全域const變數存放在只讀資料段（不能通過地址修改，會發生寫入錯誤）， 默認為外部聯編，可以給其他源檔案使用（需要用extern關鍵字修飾） 運行結果： ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中，添加資源 2. 點擊新添加的資源，復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案，編輯，使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索，點擊查找全部，然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h，在其中預先定義好宏 ID（不清楚其實ID值應該設定多少，可以先新建一個相同的資源項，再在這個資源的ID值的基礎上遞增即可） 2. 在資源視圖中選中專案資源，按F7編輯資源檔案，按 ID 型別 相對路徑的形式添加 資源。（別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記：關于C++的參考型別，專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考，也叫別名。 參考就是給一個變數名取一個變數名，方便我們間接地使用這個變數。我們可以給一個變數創建N個參考，這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間，占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名，但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++：初學者完整指南

    眾所周知，C ++的學習曲線陡峭，但是花時間學習這種語言將為您的職業帶來奇跡，并使您與其他開發人員區分開。您會更輕松地學習新語言，形成真正的解決問題的技能，并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣（即清晰一致的編碼風格，在撰寫代碼時注釋代碼，并限制類內部的可見性），并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標（smart pointers）是一類資料結構，是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標（pointer）是一個包含記憶體地址的變數的通用概念。這個地址參考，或 ” 指向”（points at）一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身，參考傳遞（如果傳遞的值需要實體化到堆里）如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如： 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號：Hunter后端 原文鏈接：Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類，Extract() 和 Trunc() Extract() 函式作用是提取日期，比如我們可以提取一個日期欄位的年份，月份，日等資料 Trunc() 的作用則是截取，比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM？ JVM，全稱Java Virtual Machine（Java虛擬機），是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊，使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息！

    更新完微信服務號的模板訊息之后，我又趕緊把微信小程式的訂閱訊息給實作了！之前我一直以為微信小程式也是要企業才能申請，沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類： 位元組緩沖流：BufferedInputStream，BufferedOutputStream 字符緩沖流：BufferedReader，BufferedWriter 緩沖流的基本原理，是在創建流物件時，會創建一個內置的默認大小的緩沖區陣列，通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說，人太懶了，現在基本都不喜歡寫筆記了，但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的，寫的注釋挺全的，應該直接看得懂，就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景：視頻分段傳輸、視頻多段傳輸（理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發，從基本到高級概念，包括簡介，UWP，第一個應用程式，商店，XAML控制元件，資料系結，XAML性能，自適應設計，自適應UI，自適應代碼，檔案管理，SQLite資料庫，應用程式到應用程式通信，應用程式本地化，應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more

Copyright © 2010-2020 有解無憂