图像阈值与平滑处理

阈值处理

  ret, dst = cv2.threshold(src, thresh, maxval, type)  

• src： 输入图，只能输入单通道图像，通常来说为灰度图

• dst： 输出图

• thresh： 阈值

• maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

• type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

• cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0

• cv2.THRESH_BINARY_INV THRESH_BINARY的反转

• cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变

• cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0

• cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

import cv2 as cv
import matplotlib.pyplot as plt


cat = cv.imread(\'cat.jpg\', cv.COLOR_BGR2GRAY)

ret, thresh1 = cv.threshold(cat, 127, 255, cv.THRESH_BINARY)
ret, thresh2 = cv.threshold(cat, 127, 255, cv.THRESH_BINARY_INV)
ret, thresh3 = cv.threshold(cat, 127, 255, cv.THRESH_TRUNC)
ret, thresh4 = cv.threshold(cat, 127, 255, cv.THRESH_TOZERO)
ret, thresh5 = cv.threshold(cat, 127, 255, cv.THRESH_TOZERO_INV)

titles = [\'Original Image\', \'BINARY\', \'BINARY_INV\', \'TRUNC\', \'TOZERO\', \'TOZERO_INV\']
images = [cat, 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([])

View Code

 

 图像平滑

• 均值滤波

均值滤波就是一个简单的平均卷积操作。假设你给的参数是（3， 3），那么他的意思就是用一个3*3大小的核去对图像做卷积，卷积核的值是1。，将他们加起来的值除以总数，在这里是9。然后将归一化的数替换原来的值。

1	1	1
1	1	1
1	1	1

import cv2 as cv
import matplotlib.pyplot as plt


img = cv.imread(\'lenaNoise.png\')
cv.imshow(\'img\', img)
# 均值滤波
blur = cv.blur(img, (3, 3))
cv.imshow(\'blur\', blur)
cv.waitKey(0)
cv.destroyAllWindows

下图可以看出均值滤波可以去掉椒盐噪声。

 

• 方框滤波

方框滤波基本上和均值滤波一样，可以归一化。

import cv2 as cv
import matplotlib.pyplot as plt


img = cv.imread(\'lenaNoise.png\')
cv.imshow(\'img\', img)
# 方框滤波
box = cv.boxFilter(img, -1, (3, 3), normalize = True)
cv.imshow(\'box\', box)
cv.waitKey(0)
cv.destroyAllWindows

View Code

 

 可以看出结果和均值滤波一样。下面讲一下函数 box = cv.boxFilter(img, -1, (3, 3), normalize = True) 

 -1 ：表示结果通道数和输入图片通道数保持一致

 normalize = True ：表示归一化结果再除以总数9。这就是为什么上面的结果和均值滤波一样的原因。

当 box = cv.boxFilter(img, -1, (3, 3), normalize = False)时，表示结果不出以总数。那么他们相加,如果值大于255，就令最后的值等于255.如果值小于255，就令最后的值保持不变。看结果：

 

• 高斯滤波

import cv2 as cv
import matplotlib.pyplot as plt


img = cv.imread(\'lenaNoise.png\')
G = cv.GaussianBlur(img, (5, 5), 0)
cv.imshow(\'G\', G)
cv.waitKey(0)
cv.destroyAllWindows()

View Code

 

  cv2.GaussianBlur(img, (5, 5), 1)  这里1代表标准差取1。

高斯滤波的卷积核满足高斯分布，更重视中间的值。 

• 中值滤波

import cv2 as cv


img = cv.imread(\'lenaNoise.png\')
median = cv.medianBlur(img, 5)
cv.imshow(\'median\', median)
cv.waitKey(0)
cv.destroyAllWindows()

View Code

 

 中值滤波，顾名思义，去矩形范围中的中值。

• 将多个结果拼接在一起

np.hstack

res = np.hstack((blur, G, median))
cv.imshow(\'all\', res)
cv.waitKey(0)
cv.destroyAllWindows()