怎么进行二值化处理

怎么进行二值化处理

对图片进行二值化处理，对于创建模版、掩膜、抠图，都有重要作用。

本文，介绍的是在python里面，调用opencv进行图片二值化的技巧。

给出下面的没有噪音的图片，可以直接二值化。

二值化处理，主要有五中内置方法：

# -*- coding: utf-8 -*-

import cv2

img=cv2.imread('d.jpg',0)

r,h1=cv2.threshold(img,200,255,cv2.THRESH_BINARY)

r,h2=cv2.threshold(img,200,255,cv2.THRESH_BINARY_INV)

r,h3=cv2.threshold(img,200,255,cv2.THRESH_TRUNC)

r,h4=cv2.threshold(img,200,255,cv2.THRESH_TOZERO)

r,h5=cv2.threshold(img,200,255,cv2.THRESH_TOZERO_INV)

我们可以用for语句来查看处理效果，每个图片持续0.5秒。

不过，如果换成下面这幅图片，上面任何一种方法都不是太好。

看看处理效果。

对上面第三步里面的图片进行自适应区域二值化处理：

a = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,

cv2.THRESH_BINARY,11,2)

cv2.ADAPTIVE_THRESH_MEAN_C 表示计算局部的像素的平均值；

cv2.THRESH_BINARY 是采用的二值化方法；

11表示每一个邻域的大小是11*11（单位是像素*像素，11必须是奇数）；

2 表示平均值减去2，作为阈值。

下图是处理效果。

如果采用邻域大小为111*111，处理效果如下。

换一个方法，采用加权平均值：

a = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,

cv2.THRESH_BINARY,11,2)

cv2.ADAPTIVE_THRESH_GAUSSIAN_C 表示权重是高斯矩阵里面的元素；

11既表示邻域大小，又表示高斯矩阵大小。

邻域大小是311的效果。

给出下图。

采用普通二值化处理。

r,h1=cv2.threshold(img,125,255,cv2.THRESH_BINARY)

采用局部二值处理。

a = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,

cv2.THRESH_BINARY,211,2)

上面两种方法，都有噪音。

如果对图片进行模糊处理：

blur = cv2.GaussianBlur(img,(5,5),0)

这里采用的是5*5的高斯矩阵，对图片进行卷积处理。

然后进行二值化处理：

r,a = cv2.threshold(blur,125,255,cv2.THRESH_BINARY)

此时，图像里面的噪音就很少了。