因为做深度学习前期需要处理数据集，想把改进图片质量，把一些亮斑比较多的图片用二值化方法提取出来，并移动至另一文件夹。
所以在今天自己写了一点代码，批量完成这项工作。在此做个小记录。
代码链接
代码完整链接见，大家互相学习交流，多多改进：
我的github/二值化并筛选
全部按流程完成以后有如下内容：
erzhihua 二值化处理后的黑白图
fail 白色占比超出设定阈值的图
jpg 筛选后保留的图
png 筛选后保留的图的标签
zhanbi.txt 统计出白色占比
shaixuan.txt 要筛选的图片名和占比
shaixuan_name 要筛选的图片名
相关py代码
部分代码解读
OpenCV读取图片比较坑的一点是，IMRED_COLOR方法读出来的为**BGR格式，**这一点一定要注意，避免后续找错浪费时间。所以这里转换为灰度图前，需要做一点小处理。
img0 = cv2.imread(path, cv2.IMREAD_COLOR) # 读取格式为BGR
img = cv2.cvtColor(img0, cv2.COLOR_BGR2RGB) # 转换为RGB
gray = cv2.imread(path, cv2.IMREAD_GRAYSCALE) # 转换为灰度图
这里我用了最简单的二值化方法。
ret, mask = cv2.threshold(gray, 230, 255, 0)
也可以根据自己需要修改 ，例如，随便举几个例子，如自适应阈值、Ostu阈值等，方法非常多，不再赘述，阈值的设定需要自己调试出来
img0 = cv2.imread('test.jpg', cv2.IMREAD_COLOR) #读取格式为BGR
img = cv2.cvtColor(img0, cv2.COLOR_BGR2RGB) #转换为RGB
gray = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE) #转换为灰度图
ret, mask = cv2.threshold(gray, 230, 255, 0)
th1 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, 0, 11, 2)
th2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 0, 11, 2)
ret2, ostu = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
统计占比需要用到OpenCV库中现成的方法，也比较方便
def edge_demo(image):
blurred = cv2.GaussianBlur(image, (3, 3), 0) # 高斯模糊降噪
gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY) # 灰度图
edge_output = cv2.Canny(gray, 50, 150) # 不求梯度也可以
return edge_output
def edge_area(image):
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 轮廓发现
dst = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.drawContours(dst, contours, -1, (0, 0, 255), 3) # 画出轮廓
area = 0
for c in range(len(contours)):
area += cv2.contourArea(contours[c]) # 面积
# cv2.putText(dst, "area/sum:" + str(area / image.size)*100, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, .7, (255, 0, 0), 2) # 显示
# # cv2.imshow("t3", dst)
# # cv2.waitKey(0)
zhanbi = (area / image.size)*100
return zhanbi
使用时按如下格式，就能返回二值化后白色部分占比的情况
src = cv2.imread(path2)
edge_output = edge_demo(src)
zhanbi = edge_area(edge_output)
详细完整的代码见上文给出的本人github链接，不再介绍了。
此为2022.5.6本人的学习记录，欢迎大家多多交流讨论。
