一、灰度處理

1.1 cvtColor函數(shù)

函數(shù)原型：

cv2.cvtColor(src, code[, dst[, dstCn]]) -> dst

功能：轉(zhuǎn)換圖像顏色空間。
參數(shù)：

• src: 輸入圖像。
• code: 顏色空間轉(zhuǎn)換代碼。可以取常量cv2.COLOR_BGR2GRAY或cv2.COLOR_RGB2GRAY。
• dst: 輸出圖像。
• dstCn: 輸出圖像的通道數(shù)，如果設置為0，則跟隨轉(zhuǎn)換代碼自動設置。

內(nèi)置函數(shù)示例代碼：

import cv2
img = cv2.imread("color.jpg")
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv2.imshow("Gray", img_gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

灰度處理的原理是將彩色圖像轉(zhuǎn)換成灰度圖像，通常使用的方法是將彩色圖像的RGB三個通道的值加權(quán)平均，得到一個灰度值，再用這個灰度值代替RGB三個通道的值，從而得到灰度圖像。常用的加權(quán)平均公式是：
$$gray=0.299\times R+0.587\times G+0.114\times B$$
其中，分別是彩色圖像的紅、綠、藍通道的值，是加權(quán)系數(shù)，這些系數(shù)是心理物理學中根據(jù)人眼對不同顏色敏感度的實驗結(jié)果得出的。這個公式也稱為亮度加權(quán)法，能夠比較好地保留彩色圖像的明暗對比度。

通過原理實現(xiàn)灰度處理代碼：

import cv2
img = cv2.imread('lean.jpg')
img = cv2.resize(img, (240, 240), interpolation=cv2.INTER_CUBIC)
height, width = img.shape[:2]
gray = np.zeros((height, width, 1), dtype="uint8")
for i in range(height):
    for j in range(width):
        gray[i][j] = img[i][j][0] * 0.114 + img[i][j][1] * 0.587 + img[i][j][2] * 0.299  # 加權(quán)值法
        # gray[i][j] = (img[i][j][0] +img[i][j][1]+img[i][j][2])/3#平均值法
        # gray[i][j] = max(img[i][j][0],img[i][j][1],img[i][j][2]) #最大值法
        
cv2.imshow("Gray", gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

上述代碼逐個像素點計算灰度值，然后用灰度值代替RGB三個通道的值，得到灰度圖像并顯示出來。值得注意的是，這種方法雖然簡單易懂，但計算每個像素點的灰度值，效率較低，不適用于處理較大的圖像。在實際中，我們可以使用OpenCV提供的函數(shù)來實現(xiàn)灰度處理，以提高程序的執(zhí)行效率。

注意:灰度圖像在Python中數(shù)據(jù)類型是numpy的uint8類型，即8位無符號整型。

二、圖像二值化處理

圖像二值化處理是將灰度圖像上的像素點轉(zhuǎn)化為黑白兩種顏色的處理方法。其原理是將灰度圖像的像素值按一定的閾值進行分割，大于等于閾值的像素值設為一個值（通常是255），小于閾值的像素值設為另一個值（通常是0）。這樣得到的圖像就只有黑白兩種顏色，便于進行一些形態(tài)學處理和特征提取。

圖像二值化有兩種方法：全局閾值和自適應閾值。全局閾值是指將整個圖像的像素值都按照同一個閾值進行分割，而自適應閾值則是將圖像分割成若干個小塊，然后對每個小塊單獨計算閾值，從而得到更準確的分割結(jié)果。下面分別介紹這兩種方法的實現(xiàn)方式。

2.1 全局閾值

在OpenCV中，使用cv2.threshold()函數(shù)可以實現(xiàn)全局閾值二值化。函數(shù)原型如下：

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

參數(shù)說明：

• src為輸入圖像，必須為灰度圖。
• dst為輸出圖像，尺寸和類型與原圖像相同。
• thresh為設定的閾值。
• maxval為最大值，當像素值大于閾值時，賦值為maxval。
• type為閾值處理的類型，包括以下幾種類型：
  • cv2.THRESH_BINARY：二值化，當像素值大于閾值時，賦值為maxval，否則賦值為0。
  • cv2.THRESH_BINARY_INV：反二值化，當像素值大于閾值時，賦值為0，否則賦值為maxval。
  • cv2.THRESH_TRUNC：截斷，當像素值大于閾值時，賦值為閾值，否則不變。
  • cv2.THRESH_TOZERO：閾值以下歸零，當像素值小于閾值時，置為0，否則不變。
  • cv2.THRESH_TOZERO_INV：閾值以上歸零，當像素值大于閾值時，置為0，否則不變。

示例代碼如下：

import cv2

# 加載灰度圖
img_gray = cv2.imread('lena_gray.jpg', 0)

# 全局閾值二值化
retval, img_binary = cv2.threshold(img_gray, 128, 255, cv2.THRESH_BINARY)

# 顯示圖像
cv2.imshow('original', img_gray)
cv2.imshow('binary', img_binary)
cv2.waitKey()
cv2.destroyAllWindows()

其中，使用cv2.imread()加載灰度圖時，第二個參數(shù)必須設置為0，表示加載灰度圖。

2.2 自適應閾值

在OpenCV中，使用cv2.adaptiveThreshold()函數(shù)可以實現(xiàn)自適應閾值二值化。函數(shù)原型和前面的cv2.threshold()函數(shù)類似，但多了兩個參數(shù)：

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

參數(shù)說明：

• src為輸入圖像，必須為灰度圖。
• maxValue為最大值，當像素值大于閾值時，賦值為maxValue。
• adaptiveMethod為自適應閾值算法類型，包括以下兩種類型：
  • cv2.ADAPTIVE_THRESH_MEAN_C：計算每個小區(qū)域的平均灰度值作為閾值。
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：計算每個小區(qū)域的高斯加權(quán)平均灰度值作為閾值。
• thresholdType為閾值處理的類型，同全局閾值二值化函數(shù)。
• blockSize為塊大小，要求為奇數(shù)，代表自適應閾值計算時使用的小區(qū)域大小。
• C為常數(shù)，閾值減小的常數(shù)。
  實例代碼如下：

import cv2

# 加載灰度圖
img_gray = cv2.imread('lena_gray.jpg', 0)

# 自適應閾值二值化
img_binary = cv2.adaptiveThreshold(
    img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 127, 1)

# 顯示圖像
cv2.imshow('original', img_gray)
cv2.imshow('binary', img_binary)
cv2.waitKey()
cv2.destroyAllWindows()

其中，使用cv2.ADAPTIVE_THRESH_MEAN_C作為自適應閾值算法，計算每個小塊的平均值；使用cv2.THRESH_BINARY作為閾值處理的類型。閾值大小由blockSize和C兩個參數(shù)共同決定，可以通過調(diào)整這兩個參數(shù)來得到更適合的分割效果。文章來源地址http://www.zghlxwxcb.cn/news/detail-718326.html

到了這里，關于OpenCV常用功能——灰度處理和圖像二值化處理的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！