- 一、图像阈值
- 二、图像平滑
- (一)均值滤波
- (二)方框滤波
- (三)高斯滤波
- (四)中值滤波
图像是由多个像素点组成的,每个像素点有一个数值。图像阈值就是一个适当的数值,通过每个像素点的值与阈值进行比较,根据比较结果对不同像素点进行不同处理。
-
opencv阈值处理函数
def threshold(src: Any, thresh: Any, maxval: Any, type: Any, dst: Any = None)
参数说明
src:输入图像对象,该对象需要是单通道图像,一般采用灰度图
dst:输出图像对象
thresh:阈值(设定的值),一般采用127
maxval:当像素点值超过阈值(或者小于阈值,根据type进行选择),像素点所赋予的数值
type:操作类型
五种类型说明
①cv2.THRESH_BINARY
二值化,超过阈值部分取maxval,否则取0
②cv2.THRESH_BINARY_INV
二值化,小于阈值部分取maxval,否则取0
③cv2.THRESH_TRUNC
大于阈值部分设定为阈值,否则不变
④cv2.THRESH_TOZERO
大于阈值部分不变,否则设置为0
⑤cv2.THRESH_TOZERO_INV
小于阈值部分不变,否则设置为0 -
实际处理实例
代码内容import cv2 import matplotlib.pyplot as plt # 读取图像 img = cv2.imread("Lena.png") ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC) ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO) ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV) titles = ['ORIGINAL', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV'] images = [img, thresh1, thresh2, thresh3, thresh4, thresh5] for i in range(6): plt.subplot(2, 3, i+1) plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()
通过实际举例可以看出实际结果与文字描述相符合的。
通过不同的滤波方式,将带有噪声图片进行处理。
制作带有噪声的图像
def sp_noise(image,prob): ''' 添加椒盐噪声 prob:噪声比例 ''' output = np.zeros(image.shape, np.uint8) thres = 1 - prob for i in range(image.shape[0]): for j in range(image.shape[1]): rdn = random.random() if rdn < prob: output[i][j] = 0 elif rdn > thres: output[i][j] = 255 else: output[i][j] = image[i][j] return output img = sp_noise(img, 0.01) cv2.imshow("Lena", img) # 等待时间,毫秒级,0表示任意键结束 cv2.waitKey(0) # 销毁创建的窗口 cv2.destroyAllWindows()(一)均值滤波
均值滤波是先构造一个全为1的矩阵,将构造的矩阵在图像矩阵上进行对应位置相加,然后再取均值,用均值取代中心像素点的值。接着在图像矩阵上进行平滑移动,重复相加取均值。
-
opencv实现均值滤波函数
cv2.blur(图像对象,构造矩阵核)
-
实际滤波举例
blur = cv2.blur(img, (3, 3)) cv2.imshow("Lena", img) cv2.waitKey(0) cv2.destroyAllWindows()
方框滤波跟均值滤波基本方式相同,不会取均值,主要在于多了一个归一化参数,当不进行归一化操作时,出现出界的情况,就取值为255。
-
opencv方框滤波函数
cv2.boxFilter(滤波对象, -1, 构造矩阵核, 归一化参数)
-
实际举例
bor1 = cv2.boxFilter(img, -1, (3, 3), normalize=True) bor2 = cv2.boxFilter(img, -1, (3, 3), normalize=False) # plt.subplot(121), plt.imshow(bor1), plt.title('NORMALIZE') # plt.subplot(122), plt.imshow(bor2), plt.title('NOt NORMALIZE') # plt.show() res = np.hstack((bor1, bor2)) cv2.imshow("Lena", res) cv2.waitKey(0) cv2.destroyAllWindows()
高斯滤波重点在于构造的矩阵核,该矩阵核符合高斯分布,中间更加重要。
-
opencv高斯滤波函数
cv2.GaussianBlur(滤波对象, 构造矩阵核, 1)
-
实际举例
guass = cv2.GaussianBlur(img, (5, 5), 1) cv2.imshow("Lena", guass) cv2.waitKey(0) cv2.destroyAllWindows()
中值滤波是将对应矩阵核中对应的值进行排序,取最中间的值作为结果。
-
opencv均值滤波函数
cv2.medianBlur(滤波图像对象, ksize) # ksize表示矩阵大小为ksize*ksize
-
实际举例
median = cv2.medianBlur(img, 5) cv2.imshow("Lena", median) cv2.waitKey(0) cv2.destroyAllWindows()
通过滤波方式结果,可以发现对于椒盐噪声来说,采用中值滤波可以很好的去除。