是的进阶版本。只是简单的把图像像素根据阈值区分,这样的二值区分比较粗糙。可能会导致图像的信息与特征完全无法提取,或者漏掉一些关键的信息。比如这个图片:
使用cv2.来处理,是无法有效去除背景的。
而使用就有效的多:
虽然人物的信息丢失了很多,但是背景基本上被去掉了。丢失的人物的信息可以通过位运算等恢复。在去除背景提取前景方面,自适应阈值函数要有效很多。
自适应阈值算法的核心是将图像分割位不同的区域,每个区域都计算阈值。这样可以更好的处理复杂的图像。自适应阈值函数定义如下:
cv2.(src, , , , , C, dst=None)
参数的含义如下:
src:灰度化的图片maxValue:满足条件的像素点需要设置的灰度值adaptiveMethod:自适应方法。有2种:ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_CthresholdType:二值化方法,可以设置为THRESH_BINARY或者THRESH_BINARY_INVblockSize:分割计算的区域大小,取奇数C:常数,每个区域计算出的阈值的基础上在减去这个常数作为这个区域的最终阈值,可以为负数dst:输出图像,可选
的选择非常关键。一种是使用均值的方法,而另外一种是使用高斯加权和的方法。所谓均值的方法就是以计算区域像素点灰度值的平均值作为该区域所有像素的灰度值。这其实就是一种平滑或滤波作用。
高斯加权和算法是将区域中点,x,y周围的像素根据高斯函数加权计算他们离中心点的距离。
一般情况下建议使用高斯加权和。
import cv2img = cv2.imread("d:/girl.png")gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)blocksize=11C=-30binary = cv2.adaptiveThreshold(gray, 127, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blocksize, C)cv2.imshow('binary', binary)cv2.waitKey(0)
免责声明:本文部分文字与图片资源来自于网络,转载此文是出于传递更多信息之目的,若有来源标注错误或侵犯了您的合法权益,请立即在【本页面底部评论留言】通知我们,情况属实,我们会第一时间予以删除,并同时向您表示歉意