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()