python实现批量图像二值化

阅读：评论：0

python实现批量图像二值化

二值化含义：一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。

常用的阈值函数有两个：全局阈值和自适应阈值

cv2.threshold(src, thresh, maxval, type)
cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

1. cv2.threshold()函数

cv2.threshold(src, thresh, maxval, type)

函数讲解

参数含义：

参数	描述	返回
src	源图片，必须是单通道，即灰度图	返回两个值：阈值、二值图
thresh	用于对像素值进行分类的阈值，取值范围0～255
maxval	填充色，如果像素值大于（有时小于）阈值则要给出的值，取值范围0～255
type	阈值类型

阈值类型表：

阈值	用数字表示	小于阈值的像素点	大于阈值的像素点
cv2.THRESH_BINARY	0	置0	置填充色maxval
cv2.THRESH_BINARY_INV	1	置填充色maxval	置0
cv2.THRESH_TRUNC	2	保持原色	置灰色
cv2.THRESH_TOZERO	3	置0	保持原色
cv2.THRESH_TOZERO_INV	4	保持原色	置0

函数式：

形象化：

python代码&效果图

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('123.jpg')
GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [GrayImage, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in xrange(6):plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')plt.title(titles[i])icks([]),icks([])
plt.show()

效果：

2. 单张图像二值化

代码：

import cv2
img = cv2.imread("001.png")
print(img)
# 先进行灰度化处理，再进行二值化
Grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 127是二值化阈值，大于255的像素值都置为0
ret, thresh = cv2.threshold(Grayimg, 127, 255, cv2.THRESH_TOZERO_INV)
cv2.imwrite('0001.png', thresh)

效果（左图为原图，右图为二值化图）：

3. 批量图像二值化

代码：

def binarization():    # 获取目录下所有图片名    filename = os.listdir(r"F:python_DemoDeepLearningtools3shapescmutestGT")print(filename)# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。base_dir = r"F:python_DemoDeepLearningtools3shapesCmutestGT" # inputnew_dir  = r"F:python_DemoDeepLearningtools3shapesGT1" #outputfor img in filename:name = imgpath1= os.path.join(base_dir,img)img = cv2.imread(path1)# print(img)Grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, thresh = cv2.threshold(Grayimg, 250, 255,cv2.THRESH_TOZERO_INV)cv2.imwrite('img.png', thresh)image = Image.open('img.png')# 有需要可对图像进行大小调整#image = size((350, 350),Image.ANTIALIAS)path= os.path.join(new_dir,name)image.save(path)binarization()

效果：

4. cv2.adaptiveThreshold()函数

全局阈值只需要规定一个阈值值，整个图像都和这个阈值比较。

自适应阈值可以看成一种局部性的阈值，通过规定一个区域大小，比较这个点与区域大小里面像素点的平均值（或者其他特征）的大小关系确定这个像素点是属于黑或者白（如果是二值情况）。

当同一幅图像上的不同部分的具有不同亮度时，采用自适应阈值。此时的阈值是根据图像上的每一个小区域计算与其对应的阈值。从而可以在亮度不同的情况下得到更好的结果。

cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None)

函数讲解

参数含义：

参数	描述	返回
src	源图像，灰度图	返回两个值：阈值、二值图
maxValue	填充色，0-255
adaptiveMethod	自适应阈值方法
thresholdType	阈值类型
blockSize	领域大小，取奇数
C	阈值计算的常数项
dst	输出图，可忽略

adaptiveMethod：

自适应方法	解释	计算
cv2.ADPTIVE_THRESH_MEAN_C	为局部邻域块的平均值。阈值取自相邻区域的平均值	先求块的均值，再减去常数项C
cv2.ADPTIVE_THRESH_GAUSSIAN_C	为局部邻域块的高斯加权和。阈值取值相邻区域的加权和，权重为一个高斯窗口	先求块的加权和，再减去常数项C

thresholdType：

阈值	用数字表示	小于阈值的像素点	大于阈值的像素点
cv2.THRESH_BINARY	0	置0	置填充色maxval
cv2.THRESH_BINARY_INV	1	置填充色maxval	置0

python代码&效果图

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('test.jpg', 0)
#中值滤波
img = dianBlur(img, 5)ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)titles = ['Original Image', 'Global Thresholding(v=127)', 'Adaptive Mean Thresholding', 'Adaptivw Gaussian Thresholding']images = [img, th1, th2, th3]
for i in range(4):plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')plt.title(titles[i])icks([]),icks([])
plt.show()

效果：