[人工智能]OpenCV计算机视觉实战 | 第3章 阈值与平滑处理

本文为《OpenCV计算机视觉实战》课程的笔记。

1 图像阈值

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

src：输入图，只能输入单通道图像，通常来说是灰度图

dst：输出图

thresh：阈值

maxval：当像素值超过了阈值（或小于阈值，根据type决定）所赋予的值

type：二值化操作的类型：

• cv2.THRESH_BINARY：超过阈值取maxval，否则0
• cv2.THRESH_BINARY_INV：BINARY的反转
• cv2.THRESH_TRUNC：大于阈值部分设为阈值，否则不变
• cv2.THRESH_TOZERO：大于阈值取0
• cv2.THRESH_TOZERO_INV：反转

thresh, maxval = 127, 255
ret, thresh1 = cv2.threshold(img_gray, thresh, maxval, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, thresh, maxval, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, thresh, maxval, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, thresh, maxval, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, thresh, maxval, cv2.THRESH_TOZERO_INV)

titles = ['Orignal image', 'THRESH_BINARY', 'THRESH_BINARY_INV', 'THRESH_TRUNC', 'THRESH_TOZERO', 'THRESH_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()

2 图像平滑

图像平滑的本质是卷积操作。常见的有均值滤波、高斯滤波、中值滤波。

详细介绍可以看这篇博文。

2.1 均值滤波

一种线性滤波器，将卷积核（窗口区域）中像素的平均值作为锚点上的像素值。

优点：效率高，思路简单。

缺点：会将图像中的边缘信息及特征信息“模糊”掉，从而丢失很多特征。

# 均值滤波
blur = cv2.blur(img1,(3,3))
cv_show('blur',blur)# 均值滤波

2.2 方框滤波

# 方框滤波：和均值滤波基本一样
box = cv2.boxFilter(img,-1,(3,3),normalize=False)
#-1表示自适应通道数
# normalize是一个归一化参数，若不进行归一化，那么一旦越界则使用255替代
cv_show('box',box)

2.3 高斯滤波

一种线性滤波，利用二维高斯函数的分布对图像进行平滑。

根据高斯函数的特点，高斯滤波方法有以下优点：

1. 高斯函数旋转对称，故在各个方向上平滑程度相同，不会改变图像的边缘走向。

   ※在实际应用过程中，卷积核不一定是对称的

2. 高斯函数是单值函数，高斯卷积核的锚点为极值，在所有方向上递减，锚点像素不会受到距离锚点较远的像素影响过大，保证了特征点和边缘的特性。

3. 在频域上，滤波过程中不会被高频信号污染。

# 高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的（即越靠近中心的权重越大）
aussian =  cv2.GaussianBlur(img1,(5, 5),1)
cv_show('aussian', aussian)

2.4 中值滤波

一种非线性滤波，在处理脉冲噪声以及椒盐噪声时效果极佳。

脉冲噪声：离散型噪声的总称，由时间上无规律出现的突发性干扰组成。

椒盐噪声：随机出现的白点或黑点。成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。

处理思路：将卷积核中像素值排序后的中值作为锚点的值。

优化：huang算法，基于像素直方图，从小到大累加像素直方图的值直到大于等于锚点在卷积核中的序号。详见博文。

# 中值滤波：用于去噪
# 用filter的中值替代原值
median = cv2.medianBlur(img1, 5)
cv_show('median', median)

将以上三种滤波结果组合后输出：

res = np.hstack((blur,aussian,median))
print(res)
cv_show('res', res)