当前位置：首页 > news >正文

day29图像处理OpenCV

news 来源：原创 2025/8/27 21:48:16

文章目录

一、图像预处理
- 6 图像色彩空间转换
- - 6.3灰色/BGR/HSV相互转化
- 7 彩图转灰图方法
- - 7.1 最大值法
  - 7.2 平均值法
  - 7.3 加权均值法
  - 7.4 案例
- 8 图像二值化处理
- - 8.1 阈值法(type=cv2.THRESH_BINARY)
  - 8.2 反阈值法(THRESH_BINARY_INV)
  - 8.3 截断阈值法(THRESH_TRUNC)
  - 8.4 低阈值零处理(THRESH_TOZERO)
  - 8.5 超阈值零处理(THRESH_TOZERO_INV)
  - 8.6 OTSU阈值法
  - 8.7 自适应二值化
  - - 1. 取均值
    - 2. 加权求和
  - 8.9 案例

一、图像预处理

6 图像色彩空间转换

6.3灰色/BGR/HSV相互转化

语法

new_img = cv.cvtColor(image, 类型)

参数：
- image:图片
- 类型
  - cv2.COLOR_BGR2GRAY：将 BGR 图像转换为灰度图像。
  - cv2.COLOR_BGR2HSV：将 BGR 图像转换为 HSV 图像。
  - cv2.COLOR_BGR2RGB：将 BGR 图像转换为 RGB 图像。

7 彩图转灰图方法

这种做法在图像处理和计算机视觉领域非常常见。

灰度图与彩色图最大的不同就是：彩色图是由R、G、B三个通道组成，而灰度图只有一个通道，也称为单通道图像，所以彩色图转成灰度图的过程本质上就是将R、G、B三通道合并成一个通道的过程。本实验中一共介绍了三种合并方法，分别是最大值法、平均值法以及加权均值法。

7.1 最大值法

对于彩色图像的每个像素，它会从R、G、B三个通道的值中选出最大的一个，并将其作为灰度图像中对应位置的像素值。

7.2 平均值法

对于彩色图像的每个像素，它会将R、G、B三个通道的像素值全部加起来，然后再除以三，得到的平均值就是灰度图像中对应位置的像素值。

7.3 加权均值法

对于彩色图像的每个像素，它会按照一定的权重去乘以每个通道的像素值，并将其相加，得到最后的值就是灰度图像中对应位置的像素值。本实验中，权重的比例为： R乘以0.299，G乘以0.587，B乘以0.114，这是经过大量实验得到的一个权重比例，也是一个比较常用的权重比例。

所使用的权重之和应该等于1。这是为了确保生成的灰度图像素值保持在合理的亮度范围内，并且不会因为权重的比例不当导致整体过亮或过暗。

7.4 案例

import cv2 as cv
import numpy as np
# 读取图片
pig = cv.imread("./images/pig.png")
h, w, _ = pig.shape # 宽，长
# 创建灰度图
gray = np.zeros((h, w), dtype=np.uint8)
# 权重
wr, wg, wb = 0.299, 0.587, 0.114
# 遍历像素点,转化生成灰图
for i in range(h):for j in range(w):# 取最大值gray[i, j] = np.max(cat[i, j])# 取平均值gray[i, j] = np.mean(pig[i, j])# 取加权平均值--int目的是因为cv2.imwrite()函数的参数要求是uint8类型gray[i, j] = int(wb * pig[i, j][0] + wg * pig[i, j][1] + wr * pig[i, j][2])
cv.imshow("gray", gray)
cv.imshow("pig", pig)
cv.waitKey(0)
cv.destroyAllWindows()

8 图像二值化处理

目的：将某张图像的所有像素都改成 0 或 255 。
二值化的过程：就是将一张灰度图上的像素根据某种规则修改为0和maxval（maxval表示最大值，一般为255，显示白色）两种像素值
特点
- 简便：降低计算量和计算需求，加快处理速度。
- 节约资源：二值图像占用空间远小于彩色图。
- 边缘检测：二值化常作为边缘检测的预处理步骤，因为简化后的图易于识别出轮廓和边界。
全局阈值法。
```
_,binary = cv2.threshold(img,thresh,maxval,type)
```
- img：输入图像，要进行二值化处理的灰度图。
- thresh：设定的阈值。
- maxval：最大像素值
- type：阈值处理的类型。（下面在介绍）
- 返回值：
  - 第一个值：阈值
  - 第二个值：二值化后的图像矩阵。与输入图像尺寸相同。

8.1 阈值法(type=cv2.THRESH_BINARY)

原理：每一个像素点与阈值判断，小于取0，大于阈值取阈值。

8.2 反阈值法(THRESH_BINARY_INV)

原理：每一个像素点与阈值判断，小于阈值取阈值，大于阈值取0。

8.3 截断阈值法(THRESH_TRUNC)

原理：每一个像素点与阈值判断，大于阈值修改为阈值，小于等于阈值的部分不变。
当阈值为255时，图片不发生变化。

8.4 低阈值零处理(THRESH_TOZERO)

原理：像素值小于等于阈值的部分被置为0（也就是黑色），大于阈值的部分不变。

8.5 超阈值零处理(THRESH_TOZERO_INV)

原理：每个像素与阈值进行比较，像素值大于阈值的部分置为0（也就是黑色），像素值小于等于阈值的部分不变。

8.6 OTSU阈值法

语法： type = cv2.THRESH_OTS
结合了阈值法(默认)和反阈值法
- type = cv2.THRESH_OTS + cv2.THRESH_BINARY
自动计算中最佳的阈值，所以传入的阈值无效。

OTSU算法是通过一个值将这张图分前景色和背景色（也就是灰度图中小于这个值的是一类，大于这个值的是一类。例如，如果你设置阈值为128，则所有大于128的像素点可以被视作前景，而小于等于128的像素点则被视为背景。），通过统计学方法（最大类间方差）来验证该值的合理性，当根据该值进行分割时，使用最大类间方差计算得到的值最大时，该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算，直到灰度图中的最大像素值减1，然后把得到的最大类间方差值进行比较，来得到二值化的阈值。以下是一些符号规定：

T：阈值（决定怎么分割前景和北京）

$N_{0}$ ：前景像素点数

$N_{1}$ ：背景像素点数

$\omega_{0}$ ：前景的像素点数占整幅图像的比例

$\omega_{1}$ ：背景的像素点数占整幅图像的比例

$\mathcal{U_{0}}$ ：前景的平均像素值

$\mathcal{U_{1}}$ ：背景的平均像素值

$\mathcal{U}$ ：整幅图的平均像素值

rows×cols：图像的行数和列数

下面举个例子，有一张大小为4×4的图片，假设阈值T为1，那么：
在这里插入图片描述

也就是这张图片根据阈值1分为了前景（像素为2的部分）和背景（像素为0）的部分，并且计算出了OTSU算法所需要的各个数据，根据上面的数据，我们给出计算类间方差的公式：
$g=\omega_{0}(\mu_{0}-\mu)^{2}+\omega_{1}(\mu_{1}-\mu)^{2}$
g就是前景与背景两类之间的方差，这个值越大，说明前景和背景的差别就越大，效果就越好。OTSU算法就是在灰度图的像素值范围内遍历阈值T，使得g最大，基本上双峰图片的阈值T在两峰之间的谷底。

8.7 自适应二值化

与二值化算法相比，自适应二值化更加适合用在明暗分布不均的图片。

语法：只有一个返回值

new_img = cv2.adaptiveThreshold(image, 255, adaptiveMethod=cv2.ADAPTIVE_THRESH_MEAN_C, 
thresholdType=cv2.THRESH_BINARY, blockSize=7, c=10)

其中各个参数的含义如下：

maxval：最大阈值
adaptiveMethod：小区域阈值的计算方式：
ADAPTIVE_THRESH_MEAN_C：小区域内取均值（方法1）
ADAPTIVE_THRESH_GAUSSIAN_C：小区域内加权求和，权重是个高斯核（方法2）
thresholdType：二值化方法，只能使用THRESH_BINARY、THRESH_BINARY_INV，也就是阈值法和反阈值法
blockSize：处理核大小
c：最终阈值等于小区域计算出的阈值再减去此值

下面介绍一下这两种方法。

1. 取均值

每一个像素点的计算过程：
- 待计算像素点为中心，取3*3的区域（不够就使用边缘填充补齐）
- 然后卷积核与区域一一对应相乘再累加 -C（如下黑图）

2. 加权求和

具体原理，这里不需要理解。

某像素点的阈值计算过程如下图所示：

在这里插入图片描述

8.9 案例

import cv2 as cvimg = cv.imread('./images/flower.png')
img = cv.resize(img, (360, 360))
# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 阈值发
_, binary = cv.threshold(gray, 127,255,cv.THRESH_BINARY)
# 反阈值法
_, binary2 = cv.threshold(gray, 127,255,cv.THRESH_BINARY_INV)
# 截断阈值法
_, binary3 = cv.threshold(gray, 127,255,cv.THRESH_TRUNC)
# 低阈值0处理法
_, binary4 = cv.threshold(gray, 127,255,cv.THRESH_TOZERO)
# 高阈值0处理法
_, binary5 = cv.threshold(gray, 127,255,cv.THRESH_TOZERO_INV)
# OTSU阈值法
_, binary6 = cv.threshold(gray, 127,255,cv.THRESH_OTSU+cv.THRESH_BINARY)
# 自适应二值法-取均值
binary7 = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 5, 2)
# 自适应二值法-加权平均值
binary8 = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 5, 2)cv.imshow('binary', binary8)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()