图像预处理1-图像二值化

什么是图像预处理？

图像预处理的主要是消除图像中无关的信息，提高图像质量，增强有关信息的可检测性和最大限度地简化数据，从而让后续的特征抽取、图像分割等能够更好地进行

图像二值化

简单阈值或全局阈值

gray = cv.cvtColor(image, cv.COLOR_RGB2GRAY) #把输入图像灰度化 // <!--把彩色三通道变成单通道，即化作为灰度图Gray=0.299⋅R+0.587⋅G+0.114⋅B--> ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

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

返回值有2个：

ret：本次使用的阈值，<!--这边是固定的阈值是127-->

binary：处理完成的二值图像

参数解释：

1、src：输入图像，必须是单通道灰度图（8 位 uint8 或 浮点数组）

2、thresh：手动设定的阈值分界值，像素以此为分界线判断大小

3、maxVal：最大阈值，一般为255. 注意：在THRESH_BINARY / THRESH_BINARY_INV两种模式下生效

4、type:阈值类型（有五类，见下方表格）

运行的代码：

import cv2 def image_binarization_demo(): # 1. 读取图像 # 注意：请将 'test.jpg' 替换为你电脑里的真实图片名称 # 如果图片和代码在同一文件夹，直接写名字即可 image = cv2.imread('test.jpg') if image is None: print("错误：找不到图片，请检查图片路径和名称是否正确！") return # 2. 将彩色图像转换为灰度图像 (对应博客第一行代码) #使用的是 RGB2GRAY，但在 cv2.imread 默认读取的是 BGR 格式，这里用 BGR2GRAY gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 彩色变成灰色单通道Gray=0.299⋅R+0.587⋅G+0.114⋅B # 3. 应用全局阈值进行二值化 # THRESH_BINARY 表示：大于127变白(255)，小于127变黑(0) ret, final = cv2.threshold(gray, 127, 255,cv2.THRESH_TRUNC) print(ret) # 4. 显示处理前后的图像对比 cv2.imshow("Original Image", image) cv2.imshow("Grayscale Image", gray) cv2.imshow("final Image", final) # 5. 等待用户按任意键，然后关闭所有窗口 print("请在弹出的图片窗口上按键盘任意键关闭窗口...") cv2.waitKey(0) cv2.destroyAllWindows() if __name__ == "__main__": image_binarization_demo()

运行结果：

cv2.THRESH_BINARY（黑白二值）

<!--图1是原图，图2是灰度图，图3是二值化图-->

cv2.THRESH_BINARY_INV（黑白二值反转）

cv2.THRESH_TRUNC

cv2.THRESH_TOZERO

cv2.THRESH_TOZERO_INV

自适应阈值

final= cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 10 )

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

6个参数介绍

1、src：输入图像：必须 单通道灰度图（uint8）

2、maxValue: 满足阈值条件后赋值的最大值，一般写255

3、adaptiveMethod :自适应算法

• cv2.ADAPTIVE_THRESH_MEAN_C小窗口内像素平均值作为该区域阈值
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C小窗口内像素高斯加权平均值作为阈值，边缘更平滑，噪声更少，日常首选

4、thresholdType: 二值类型

• cv2.THRESH_BINARY：局部大于阈值 → maxValue (255)，否则 0
• cv2.THRESH_BINARY_INV：局部大于阈值 → 0，否则 255（文字提取常用）

5、blockSize：邻域窗口大小

规则：必须是大于 1 的奇数，常用：3,5,7,9,11

• 图像细节多、小字：3/5
• 大图、纹理粗：7/9 本质：以当前像素为中心，blockSize×blockSize 的方块计算局部阈值

6、C 常数偏移量:

最终局部阈值 = 区块计算出来的均值 / 高斯值 − C

• C=0：直接用均值当阈值
• C>0：阈值整体下调，更容易判定为白色（物体更容易被保留）
• C<0：阈值上调，更严苛 常用取值：2~10

运行代码：

import cv2 def image_binarization_demo(): # 1. 读取图像 # 注意：请将 'test.jpg' 替换为你电脑里的真实图片名称 # 如果图片和代码在同一文件夹，直接写名字即可 image = cv2.imread('test.jpg') if image is None: print("错误：找不到图片，请检查图片路径和名称是否正确！") return # 2. 将彩色图像转换为灰度图像 (对应博客第一行代码) #使用的是 RGB2GRAY，但在 cv2.imread 默认读取的是 BGR 格式，这里用 BGR2GRAY gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 彩色变成灰色单通道Gray=0.299⋅R+0.587⋅G+0.114⋅B # 3. 应用全局阈值进行二值化 # THRESH_BINARY 表示：大于127变白(255)，小于127变黑(0) final= cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 10 ) # 4. 显示处理前后的图像对比 cv2.imshow("Original Image", image) cv2.imshow("Grayscale Image", gray) cv2.imshow("final Image", final) # 5. 等待用户按任意键，然后关闭所有窗口 print("请在弹出的图片窗口上按键盘任意键关闭窗口...") cv2.waitKey(0) cv2.destroyAllWindows() if __name__ == "__main__": image_binarization_demo()

运行结果：

全局阈值vs自适应阈值