python学opencv|读取图像（三十八 ）阈值自适应处理

server/2025/1/23 18:41:42/

【1】引言

前序学习了5种阈值处理方法，包括(反)阈值处理、(反)零值处理和截断处理，相关文章链接为：

python学opencv|读取图像（三十三）阈值处理-灰度图像-CSDN博客

python学opencv|读取图像（三十四）阈值处理-彩色图像-CSDN博客

python学opencv|读取图像（三十五）反阈值处理-CSDN博客

python学opencv|读取图像（三十六）（反）零值处理-CSDN博客

python学opencv|读取图像（三十七 ）截断处理-CSDN博客

经过对比，会发现零值处理获得的图像效果更为明显。

但实际上，无论是哪种处理方法，内部的阈值开关都是自由设定的，因此，难以确认零值处理是否效果总是相对较好？

这时候，我们刚好发现了一个自适应处理函数：cv.adaptiveThreshold()，这个函数允许图像按照方块大小，逐个做阈值处理，相当于是更为精细化的阈值处理方式。

【2】官网教程

点击下述链接，可以直达cv.adaptiveThreshold()函数的官网教程：

OpenCV: Miscellaneous Image Transformations

在官网，可以看到cv.adaptiveThreshold()函数的参数说明：

图1

具体的参数解释为：

void cv::adaptiveThreshold     (     InputArray     src,  #输入图像
        OutputArray     dst,                                             #输出图像
        double     maxValue,                                           #阈值上限
        int     adaptiveMethod,                                        #自适应方法
        int     thresholdType,                                           #阈值处理方法
        int     blockSize,                                                  #方块大小
        double     C )                                                       #均值或者加权均值减去的常量，一般是正整数

官网指出，自适应放大法adaptiveMethod只有两种选择：cv.THRESH_BINARY和cv.THRESH_BINARY_INV。

【3】代码测试  

cv.adaptiveThreshold()函数只能对灰度图进行自适应处理，这里我们先回忆一下灰度图生成技巧：

python学opencv|读取图像（十一）彩色图像转灰度图的两种办法_opencv读取png图片为灰度图片-CSDN博客

因此我们在设计程序时，也设计了两种灰度图转化方法，以作为对前述学习知识的复习：

 

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcf.png',0) #读取图像
dst=src#输出图像# 读取图片-函数转化灰度图
src1 = cv.imread('srcf.png') #读取图像
dst1=cv.cvtColor(src1,cv.COLOR_BGR2GRAY) #转化为灰度图dstt=np.hstack((dst,dst1)) #两种灰度图拼接在一起

 由于我们已经知晓了这两种方法转化后的图像效果一样，因此直接进行自适应处理，并且把零值处理加进来做对比：

#自适应处理
dstt1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,5,3) #
dstt2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,5,3) #
dsttv1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY_INV,5,3) #
dsttv2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY_INV,5,3) #
#零值处理
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158
#dstt3=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_TOZERO,5,3) #
dsttt=np.hstack((dstt1,dstt2)) #两种灰度图拼接在一起
dstttv=np.hstack((dsttv1,dsttv2)) #两种灰度图拼接在一起8,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158

然后对图像进行呈现和保存：

#阈值和零值处理
#t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
#t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255#截断处理
#t3,dst3=cv.threshold(src,58,158, cv.THRESH_TRUNC) #截断-阈值开关158，阈值上限200#t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
#t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255#反阈值和反零值处理
#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
#tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
#tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
#tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255#和原图对比
#ttt1=np.hstack((dst,dst1,dst3)) #原图-阈值-截断对比
#ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
#ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
#ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
#ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
#ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
#ttt7=np.vstack((ttt5,ttt6)) #原图-阈值-零值-截断-反阈值-反零值对比
#展示图像
#cv.imshow('srcft0', dst)  # 在屏幕展示效果
cv.imshow('srcft', dstt)  # 在屏幕展示效果
cv.imshow('srcft2', dst2)  # 在屏幕展示效果
cv.imshow('srcftt1', dsttt)  # 在屏幕展示效果
cv.imshow('srcftt2', dstttv)  # 在屏幕展示效果
#cv.imshow('srcfttv1', dsttv1)  # 在屏幕展示效果
#cv.imshow('srcfttv2', dsttv2)  # 在屏幕展示效果
#cv.imshow('srcftt3', dstt3)  # 在屏幕展示效果
#cv.imshow('srcft3', ttt3)  # 在屏幕展示效果
#cv.imshow('srcft4', ttt4)  # 在屏幕展示效果
#cv.imshow('srcft5', ttt7)  # 在屏幕展示效果
#显示BGR值
#print("原图-dst像素数为[100,100]位置处的BGR=", dst[100, 100])  # 获取像素数为[100,100]位置处的BGR
#print("阈值-dst1像素数为[100,100]位置处的BGR=", dst1[100, 100])  # 获取像素数为[100,100]位置处的BGR
#print("零值-dst2像素数为[100,100]位置处的BGR=", dst2[100, 100])  # 获取像素数为[100,100]位置处的BGR
#print("截断-dst3像素数为[100,100]位置处的BGR=", dst3[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dsttv1像素数为[100,100]位置处的BGR=", dsttv1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dsttv2像素数为[100,100]位置处的BGR=", dsttv2[100, 100])  # 获取像素数为[100,100]位置处的BGR#print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100])  # 获取像素数为[100,100]位置处的BGR#保存图像
cv.imwrite('srcf-dstt.png', dstt)  # 保存图像
cv.imwrite('srcf-dst1.png', dst2)  # 保存图像
cv.imwrite('srcf-dsttt.png', dsttt)  # 保存图像
cv.imwrite('srcf-dstttv.png', dstttv)  # 保存图像
#cv.imwrite('srcf-ttt1.png', dsttv1)  # 保存图像
#cv.imwrite('srcf-ttt2.png', dsttv2)  # 保存图像
#cv.imwrite('srcf-ttt3.png', dstt3)  # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt3.png', ttt3)  # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt4.png', ttt4)  # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt7.png', ttt7)  # 保存图像
cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

此处使用的原始图像为：

图2

转化后的两种灰度图为：

图3 两种方法转化的灰度图

按照自适应转化后的图像为：

图4  左cv.ADAPTIVE_THRESH_MEAN_C右cv.ADAPTIVE_THRESH_GAUSSIAN_C-cv.THRESH_BINARY阈值处理方法

图4显示了cv.ADAPTIVE_THRESH_MEAN_C和cv.ADAPTIVE_THRESH_GAUSSIAN_C应用cv.THRESH_BINARY阈值处理方法获得的两种图像，实际上看不出显著差别。

图5  左cv.ADAPTIVE_THRESH_MEAN_C右cv.ADAPTIVE_THRESH_GAUSSIAN_C-cv.THRESH_BINARY_INV阈值处理方法

图5显示了cv.ADAPTIVE_THRESH_MEAN_C和cv.ADAPTIVE_THRESH_GAUSSIAN_C应用cv.THRESH_BINARY_INV阈值处理方法获得的两种图像，实际上也看不出显著差别。

图4和图5相对来说，因为是按照相反的阈值处理方法，所以在颜色黑白上有明显的差别，相对来说，图4代表的阈值处理方法保存的细节相对更多。

之后大家一起看一下零值处理的图像：

图6 零值处理

相对来说，零值处理保留的细节多，自适应处理保留轮廓更多。

此时的完整代码为（下述代码附带了很多注释，调整“#”出现的位置，可以用来辅助测试其他阈值处理方法）：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcf.png',0) #读取图像
dst=src#输出图像# 读取图片-函数转化灰度图
src1 = cv.imread('srcf.png') #读取图像
dst1=cv.cvtColor(src1,cv.COLOR_BGR2GRAY) #转化为灰度图dstt=np.hstack((dst,dst1)) #两种灰度图拼接在一起#自适应处理
dstt1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,5,3) #
dstt2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,5,3) #
dsttv1=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY_INV,5,3) #
dsttv2=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY_INV,5,3) #
#零值处理
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关58，阈值上限158
#dstt3=cv.adaptiveThreshold(src,158,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_TOZERO,5,3) #
dsttt=np.hstack((dstt1,dstt2)) #两种灰度图拼接在一起
dstttv=np.hstack((dsttv1,dsttv2)) #两种灰度图拼接在一起
#阈值和零值处理
#t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
#t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255#截断处理
#t3,dst3=cv.threshold(src,58,158, cv.THRESH_TRUNC) #截断-阈值开关158，阈值上限200#t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
#t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255#反阈值和反零值处理
#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
#tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255#tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
#tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
#tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255#和原图对比
#ttt1=np.hstack((dst,dst1,dst3)) #原图-阈值-截断对比
#ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
#ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
#ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
#ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
#ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
#ttt7=np.vstack((ttt5,ttt6)) #原图-阈值-零值-截断-反阈值-反零值对比
#展示图像
#cv.imshow('srcft0', dst)  # 在屏幕展示效果
cv.imshow('srcft', dstt)  # 在屏幕展示效果
cv.imshow('srcft2', dst2)  # 在屏幕展示效果
cv.imshow('srcftt1', dsttt)  # 在屏幕展示效果
cv.imshow('srcftt2', dstttv)  # 在屏幕展示效果
#cv.imshow('srcfttv1', dsttv1)  # 在屏幕展示效果
#cv.imshow('srcfttv2', dsttv2)  # 在屏幕展示效果
#cv.imshow('srcftt3', dstt3)  # 在屏幕展示效果
#cv.imshow('srcft3', ttt3)  # 在屏幕展示效果
#cv.imshow('srcft4', ttt4)  # 在屏幕展示效果
#cv.imshow('srcft5', ttt7)  # 在屏幕展示效果
#显示BGR值
#print("原图-dst像素数为[100,100]位置处的BGR=", dst[100, 100])  # 获取像素数为[100,100]位置处的BGR
#print("阈值-dst1像素数为[100,100]位置处的BGR=", dst1[100, 100])  # 获取像素数为[100,100]位置处的BGR
#print("零值-dst2像素数为[100,100]位置处的BGR=", dst2[100, 100])  # 获取像素数为[100,100]位置处的BGR
#print("截断-dst3像素数为[100,100]位置处的BGR=", dst3[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dsttv1像素数为[100,100]位置处的BGR=", dsttv1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dsttv2像素数为[100,100]位置处的BGR=", dsttv2[100, 100])  # 获取像素数为[100,100]位置处的BGR#print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100])  # 获取像素数为[100,100]位置处的BGR#保存图像
cv.imwrite('srcf-dstt.png', dstt)  # 保存图像
cv.imwrite('srcf-dst1.png', dst2)  # 保存图像
cv.imwrite('srcf-dsttt.png', dsttt)  # 保存图像
cv.imwrite('srcf-dstttv.png', dstttv)  # 保存图像
#cv.imwrite('srcf-ttt1.png', dsttv1)  # 保存图像
#cv.imwrite('srcf-ttt2.png', dsttv2)  # 保存图像
#cv.imwrite('srcf-ttt3.png', dstt3)  # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt3.png', ttt3)  # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt4.png', ttt4)  # 保存图像
#cv.imwrite('srcf-JC-t3-VC-ttt7.png', ttt7)  # 保存图像
cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

【4】细节说明

自适应处理函数cv.adaptiveThreshold()：

只能处理单通道的灰度图；

阈值处理方法只能选用cv.THRESH_BINARY和cv.THRESH_BINARY_INV两种阈值处理方法。

图7

【5】总结

掌握了python+opencv实现图像自适应处理的技巧。

 

 


http://www.ppmy.cn/server/160817.html

相关文章

Golang的图形编程基础

Golang的图形编程基础

Golang的图形编程基础 一、Golang对图形编程的支持 语言是一种优雅的、简洁的编程语言，它在图形编程领域也有着广泛的应用。Golang通过一些第三方库和工具支持图形编程，开发者可以利用这些工具来创建丰富多彩的图形界面和可视化效果。 是一个使用Go语言编…
阅读更多...
STM32-CAN总线

STM32-CAN总线

1.CAN总线简介 CAN总线是由BOSCH公司开发的一种简洁易用、传输速度快、易扩展、可靠性高的串行通信总线 2.CAN总线特征 两根通信线（CAN_H、CAN_L），线路少，无需共地差分信号通信（相对的是单端信号）&#…
阅读更多...
NodeJs如何做API接口单元测试？ --【elpis全栈项目】

NodeJs如何做API接口单元测试？ --【elpis全栈项目】

NodeJs API接口单元测试 api单元测试需要用到的 assert：断言库 (还要一些断言库比如:Chai)supertest： 模拟http请求 简单的例子： const express require(express); const supertest require(supertest); const assert require(assert);…
阅读更多...
【Red Hat8】：搭建DHCP服务器

【Red Hat8】：搭建DHCP服务器

1、新建挂载文件 2、挂载 3、关闭防火墙 4、搭建yum源 （搭建的时候用vim 自行定义文件名.repo或者是vi 自行定义文件名.repo） 5、安装dhcp-server 6、复制模板文件 dhcpd.conf 是DHCP服务的配置文件，DHCP服务所有参数都是通过修改dhcpd.co…
阅读更多...
澎峰科技计算软件栈与沐曦GPU完成适配和互认证

澎峰科技计算软件栈与沐曦GPU完成适配和互认证

近期，澎峰科技与沐曦完成了对PerfXLM（推理引擎）、PerfXCloud（大模型服务平台）与沐曦的曦云系列通用计算GPU的联合测试，测试结果表明PerfXLM、PerfXCloud软件与沐曦GPU产品实现了全面兼容。 PerfXLM高性能大…
阅读更多...
如何将本地 Node.js 服务部署到宝塔面板：完整的部署指南

如何将本地 Node.js 服务部署到宝塔面板：完整的部署指南

文章简介： 将本地开发的 Node.js 项目部署到线上服务器是开发者常见的工作流程之一。在这篇文章中，我将详细介绍如何将本地的 Node.js 服务通过宝塔面板（BT 面板）上线。宝塔面板是一个强大的服务器管理工具，具有简洁的…
阅读更多...
Windows11电脑总是一闪一闪的，黑一下亮一些怎么解决

Windows11电脑总是一闪一闪的，黑一下亮一些怎么解决

Windows11电脑总是一闪一闪的，黑一下亮一些怎么解决 1. 打开设备管理器2. 点击显示适配器3. 更新下方两个选项的驱动3.1 更新驱动Inter(R) UHD Graphixs3.2 更新驱动NVIDIA GeForce RTX 4060 Laptop GPU 4. 其他文章快来试试吧🥰 1. 打开设备管理器 在电…
阅读更多...
Unity3D 动态骨骼性能优化详解

Unity3D 动态骨骼性能优化详解

前言 在Unity3D中，动态骨骼动画是创建逼真角色动画的关键技术。然而，随着骨骼数量的增加和动画复杂度的提升，性能问题也随之而来。本文将详细介绍如何在Unity3D中进行动态骨骼性能优化，并提供技术详解和代码实现。 对惹&#xf…
阅读更多...
最新文章

Copyright @ 2022~2023