[人工智能]图像基本处理——图像阈值和平滑

一、图像阈值

图像是由多个像素点组成的，每个像素点有一个数值。图像阈值就是一个适当的数值，通过每个像素点的值与阈值进行比较，根据比较结果对不同像素点进行不同处理。

1. opencv阈值处理函数

   def threshold(src: Any,
                 thresh: Any,
                 maxval: Any,
                 type: Any,
                 dst: Any = None)
   

   参数说明

   src：输入图像对象，该对象需要是单通道图像，一般采用灰度图
   dst：输出图像对象
   thresh：阈值（设定的值），一般采用127
   maxval：当像素点值超过阈值（或者小于阈值，根据type进行选择），像素点所赋予的数值
   type：操作类型
   五种类型说明
   ①cv2.THRESH_BINARY
   二值化，超过阈值部分取maxval，否则取0
   ②cv2.THRESH_BINARY_INV
   二值化，小于阈值部分取maxval，否则取0
   ③cv2.THRESH_TRUNC
   大于阈值部分设定为阈值，否则不变
   ④cv2.THRESH_TOZERO
   大于阈值部分不变，否则设置为0
   ⑤cv2.THRESH_TOZERO_INV
   小于阈值部分不变，否则设置为0

2. 实际处理实例
   代码内容

   import cv2
   import matplotlib.pyplot as plt
   # 读取图像
   img = cv2.imread("Lena.png")
   ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
   ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
   ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
   ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
   ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
   titles = ['ORIGINAL', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
   images = [img, 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([])
   plt.show()
   

   
   通过实际举例可以看出实际结果与文字描述相符合的。

二、图像平滑

通过不同的滤波方式，将带有噪声图片进行处理。
制作带有噪声的图像

def sp_noise(image,prob):
    '''
    添加椒盐噪声
    prob:噪声比例
    '''
    output = np.zeros(image.shape, np.uint8)
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = random.random()
            if rdn < prob:
                output[i][j] = 0
            elif rdn > thres:
                output[i][j] = 255
            else:
                output[i][j] = image[i][j]
    return output
img = sp_noise(img, 0.01)
cv2.imshow("Lena", img)
# 等待时间，毫秒级，0表示任意键结束
cv2.waitKey(0)
# 销毁创建的窗口
cv2.destroyAllWindows()

（一）均值滤波

均值滤波是先构造一个全为1的矩阵，将构造的矩阵在图像矩阵上进行对应位置相加，然后再取均值，用均值取代中心像素点的值。接着在图像矩阵上进行平滑移动，重复相加取均值。

1. opencv实现均值滤波函数

   cv2.blur(图像对象,构造矩阵核)
   

2. 实际滤波举例

   blur = cv2.blur(img, (3, 3))
   cv2.imshow("Lena", img)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   

（二）方框滤波

方框滤波跟均值滤波基本方式相同，不会取均值，主要在于多了一个归一化参数，当不进行归一化操作时，出现出界的情况，就取值为255。

1. opencv方框滤波函数

   cv2.boxFilter(滤波对象, -1, 构造矩阵核, 归一化参数)
   

2. 实际举例

   bor1 = cv2.boxFilter(img, -1, (3, 3), normalize=True)
   bor2 = cv2.boxFilter(img, -1, (3, 3), normalize=False)
   # plt.subplot(121), plt.imshow(bor1), plt.title('NORMALIZE')
   # plt.subplot(122), plt.imshow(bor2), plt.title('NOt NORMALIZE')
   # plt.show()
   res = np.hstack((bor1, bor2))
   cv2.imshow("Lena", res)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   

（三）高斯滤波

高斯滤波重点在于构造的矩阵核，该矩阵核符合高斯分布，中间更加重要。

1. opencv高斯滤波函数

   cv2.GaussianBlur(滤波对象, 构造矩阵核, 1)
   

2. 实际举例

   guass = cv2.GaussianBlur(img, (5, 5), 1)
   cv2.imshow("Lena", guass)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   

（四）中值滤波

中值滤波是将对应矩阵核中对应的值进行排序，取最中间的值作为结果。

1. opencv均值滤波函数

   cv2.medianBlur(滤波图像对象, ksize)
   # ksize表示矩阵大小为ksize*ksize
   

2. 实际举例

   median = cv2.medianBlur(img, 5)
   cv2.imshow("Lena", median)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   
   通过滤波方式结果，可以发现对于椒盐噪声来说，采用中值滤波可以很好的去除。