机器视觉学习-day03-灰度化实验-二值化和自适应二值化

阈值法就是通过设定一个阈值thresh，将灰度图的每一个像素与该阈值进行比较，小于等于阈值的像素被设置为0（黑），大于阈值的像素被设置为maxval(255-白)。

图片名为：1.png

import cv2
import numpy as np# 程序主入口
if __name__ == '__main__':# 1. 读取图像并转换为灰度图image = cv2.imread('image.jpg')  # 读取原始彩色图像gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图:加权平均法"""详细解释：cv2.imread():从指定路径读取图像，返回一个NumPy数组cv2.cvtColor(..., cv2.COLOR_BGR2GRAY): 将BGR彩色图像转换为灰度图像"""# 2. 设置阈值threshold_value = 128  # 中间值（0-255之间）"""阈值选择：- 128是0-255的中间值- 可以根据具体图像调整此值（范围0-255）"""# 3. 创建结果图像threshold_image = np.zeros_like(gray_image)  # 创建与灰度图相同大小的全黑图像"""np.zeros_like() - 创建一个与输入数组形状和类型相同的全零数组这里用于存储阈值处理后的结果"""# 4.图片矫正. 获取图像尺寸height, width = gray_image.shape# 5. 应用阈值法for i in range(height):for j in range(width):# 获取当前像素值pixel_value = gray_image[i, j]# 阈值法判断if pixel_value >= threshold_value:threshold_image[i, j] = 255  # 设为白色else:threshold_image[i, j] = 0  # 设为黑色# 如果像素灰度值 > 127：设为255（纯白）# 如果像素灰度值 ≤ 127：设为0（纯黑）"""阈值法逻辑：- 遍历图像的每个像素- 如果像素值 >= 阈值，设为白色(255)- 如果像素值 < 阈值，设为黑色(0)"""# 6. 显示结果cv2.imshow('Original Gray Image', gray_image)  # 原始灰度图cv2.imshow('Thresholding (T={})'.format(threshold_value), threshold_image)  # 阈值法结果# 7. 等待按键关闭窗口cv2.waitKey(0)cv2.destroyAllWindows()# 8. 保存结果cv2.imwrite('threshold_result.png', threshold_image)"""结果说明：- 原始灰度图：连续色调的灰度图像- 阈值法结果：二值图像（只有黑白两种颜色）- 明亮区域（>=阈值）变为白色- 暗区域（<阈值）变为黑色"""

1.2 反阈值法（THRESH_BINARY_INY）

反阈值法与阈值法相反，当灰度图的像素值大于阈值时，像素值会被设置为0；当灰度图的像素值小于等于阈值时，像素值会被设置为最大值。

# 反阈值法（THRESH_BINARY_INV）import cv2if __name__ == '__main__':# 1. 图片输入path = '1.jpg'  # 指定图片文件路径image_np = cv2.imread(path)  # 读取图片到NumPy数组，格式为BGR三通道# 2. 灰度化（调用接口）image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)  # BGR→灰度# 将彩色图像转为单通道灰度图像，因为二值化需要单通道输入"""详细解释：cv2.imread(path): 从指定路径读取图像cv2.cvtColor(..., cv2.COLOR_BGR2GRAY): 将BGR彩色图像转换为灰度图像"""# 3. 二值化thresh = 127  # 阈值maxval = 255  # 最大值# 二值化# 返回值1：阈值（thresh的值，部分算法是自动计算的，本例没用）# 返回值2：二值化之后的图片ret, image_np_gray = cv2.threshold(image_np_gray,  # 输入的灰度图像thresh,  # 阈值maxval,  # 最大值cv2.THRESH_BINARY_INV  # 二值化类型，反阈值即反向二值化)# 4.图片矫正. 图片输出cv2.imshow('image_np_gray', image_np_gray)cv2.waitKey(0)cv2.imwrite('INV.png', image_np_gray)

import cv2if __name__ == '__main__':# 1. 图片输入path = '1.jpg'  # 读取原始彩色图像image_np = cv2.imread(path)# 2. 灰度化image_np_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)  # BGR→灰度"""详细解释：- cv2.imread() 读取图像，返回NumPy数组- cv2.cvtColor() 将BGR图像转换为灰度图像"""# 3. 二值化thresh = 145  # 阈值maxval = 255  # 最大值# 二值化# 返回值1：OTSU计算的阈值# 返回值2：二值化之后的图片ret, image_np_gray = cv2.threshold(image_np_gray,  # 灰度图thresh,  # 阈值maxval,  # 最大值cv2.THRESH_BINARY + cv2.THRESH_OTSU  # OTSU+二值化)"""cv2.threshold()参数说明：image_np_gray: 输入灰度图像在这个函数里thresh==0: 因为使用OTSU，这里设为0（会被忽略）maxval/255: 最大值（白色）cv2.THRESH_BINARY + cv2.THRESH_OTSU: 阈值法 + OTSU算法返回值：ret,: OTSU算法计算出的最佳阈值image_np_gray : 阈值处理后的图像（这里不需要，因为我们后面会自己处理）OTSU 算法原理：1. 计算图像灰度2. 遍历所有可能的阈值(0-254)3. 对每个阈值，将像素分为两类（前景和背景）4.图片矫正. 计算两类之间的方差（类间方差）5. 选择使类间方差最大的阈值作为最佳阈值"""print(f"OTSU算法计算的最佳阈值: {ret}")# OTSU算法计算的最佳阈值: 123.0# 4.图片矫正. 图片输出cv2.imshow('image_np_gray', image_np_gray)cv2.waitKey(0)cv2.imwrite('OTSU.png', image_np_gray)