当前位置:首页 > 天道酬勤 > 正文内容

python图像处理入门(python安装opencv)

张世龙2021年12月21日 23:48天道酬勤1370

一、引言

在《OpenCV阈值处理函数threshold处理32位彩色图像的案例》中介绍了threshold函数,但是threshold的图像阈值处理对于存在照明不均的图像,用这种全局阈值分割的方法不会得到很好的效果。

在图像的阈值化操作中,对从二值化图像中分离对象区域和背景区域感兴趣,仅通过固定阈值很难达到理想的分割效果。 由于图像中的灰度不均匀,因此在下面的图像中,阈值通常因区域而异。 这样,需要进行基于图像不同区域的亮度和灰度分布计算其局部阈值的阈值处理的方法。 该方法为自适应阈值化图像处理,实际上被称为局部阈值法,OpenCV中的adaptiveThreshold就是这种方法。

二、adaptiveThreshold语法介绍

调用语法:自适应阈值(src,最大值,自适应方法,阈值类型,块大小,c,dst=无) )。

说明:

src :源图像、8位灰度dst :处理后的目标图像、与源图像相同大小和类型的最大值:用于指定满足条件的像素设定的灰度值adaptiveMethod :使用的自适应阈值算法, 两种ADAPTIVE_THRESH_MEAN_C算法(局部相邻块平均值)或ADAPTIVE_THRESH_GAUSSIAN_C )局部相邻块高斯加权和) adaptive _ thhthte 阈值类型只能是THRESH_BINARY或THRESH_BINARY_INV中的一种。 具体而言,请参照上述“图像阈值处理”。通常选择3、5、7…… C )。 表示常数。 这是从均匀或加权平均值中提取的常数,通常是正数,但也可以是负数或零返回值。 处理后的图像

三、补充说明

的亮度高的图像区域的二值化阈值通常会变高,亮度低的图像区域的二值化阈值会自适应地变小。 在灰度图像中,灰度值变化明显的区域往往是物体的轮廓,因此,函数adaptiveThreshold不仅能够将灰度图像二值化,还能够进行边缘提取的是,block_size=3 or 5 or 7 这是因为“适应”的程度高,即如果block内的像素值相同,则无法进行二值化,结果,在将边缘提取函数blockSize设定为比较大的值的情况下,例如在blockSize=21 or 31 or 41的情况下, adaptiveThreshold的二值化函数blockSize必须是大于1的奇数,如果使用平均值法,则当平均值mean为180,平均值mean为180时,灰度小于170的像素为0,170以上的像素为255,而当平均值mean为180时,灰度小于170的像素为255,则为270。

img=cv2. im读取(r ' f : (屏幕pic (1. jpg ),cv2. im读取灰度) ) ) ) ) ) )。

newimg=cv2 .自适应阈值(img,255,cv2 .自适应阈值,cv2 .阈值,三,五)

cv2.imshow(img )、img ) )。

cv2. im show (“新闻”,新闻) )。

CV2.WaitKey(60000 )执行效果:源图:

以下是设置不同块大小的块大小blockSize的结果。 左边的块大小块大小为31,右边的块大小为3。

可以看出,blockSize小时,轮廓识别效果明显,大时,是二值化图像。

四、案例

arrow-right">关于老猿的付费专栏

老猿的付费专栏《使用PyQt开发图形界面Python应用》专门介绍基于Python的PyQt图形界面开发基础教程,付费专栏《moviepy音视频开发专栏》详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理,两个专栏加起来只需要19.9元,都适合有一定Python基础但无相关专利知识的小白读者学习。这2个收费专栏都有对应免费专栏,只是收费专栏的文章介绍更具体、内容更深入、案例更多。

付费专栏文章目录:《moviepy音视频开发专栏文章目录》、《使用PyQt开发图形界面Python应用专栏目录》。

关于Moviepy音视频开发的内容,请大家参考《Python音视频剪辑库MoviePy1.0.3中文教程导览及可执行工具下载》的导览式介绍。

对于缺乏Python基础的同仁,可以通过老猿的免费专栏《专栏:Python基础教程目录》从零开始学习Python。

如果有兴趣也愿意支持老猿的读者,欢迎购买付费专栏。

本文在CSDN的“老猿Python”首发,头条号、微信公众号和百家号“老猿Python”转载,由于这些平台对外部链接的限制,文中不能包含外部链接。如果是头条请点击文章底部最下方的“了解更多”跳转CSDN阅读原文,如果是微信公众号请点击文章底部最下方的“阅读原文”跳转CSDN阅读原文,否则请在百度搜索或CSDN搜索中输入"CSDN老猿Python”加文章标题关键字搜寻本文。

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/26663.html

分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。