图画阈值和图画滤波

一、图画阈值

阈值处理一般有三种类型：简单阈值操作、自适应阈值操作和Otsu阈值操作。OpenCV供给了两个函数cv.threshold 和 cv.adaopencv是软件还是库ptiveThreshold实opencv安装教程现

1矩阵和行列式的卷积核差异. 简单阈值操作

把每个像素都依据相同的阈值进行处理。卷积云若像素值比阈值卷积核更小，则会被置为0，反之则会将其置为像素冒险世界最大值(矩阵转置8比特表明法的最大值时255)。

cv.threshold 便是专用于阈值处理的函数，包括了以算法工程师下参数：

img：输入图画，一定要为一张灰度图，由于阈值处理只能对单通道矩阵相乘怎么算图画进行处理
threshold卷积-value : 用于对像素值像素游戏进行分类
Maximum：超越阈值后被赋予矩阵游戏的最大值巨细
type：阈值处理类型，有以下取值：
1. cv.像素冒险国际THRESH_BINARY ：一般二值阈值卷积神经网络处理，最常用
2. cv.THRESH_BINARY_INV：反转一般二值阈卷积积分值处理，也便是超越阈值的被矩阵的迹赋值为0，未超越的被赋值为Maximum
3. cv.THRESH_TRUNC卷积核：取限阈值处理，超越阈值被赋值为阈值，未超越则不变，也便对错二元
4. cv.THRESH_TOZERO：取下限阈值处理，超越阈值则不变，未超越则归0
5. cv.THRESH_TOZERO_卷积的物理意义INV：反转取下像素涂色限阈值处理，超越阈值则归0，未超越则不变

留意：cv.threshold函矩阵的逆数有两个输出，前者是被运用的阈值，后者是返回的灰度图，不要弄混了！

import cv2 as cv
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline

def cv_show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)
    cv.destroyAllWindows()

def compare(imgs):
  #  for i in range(len(imgs)):
 #       imgs[i][:,-3:-1,:] = [255,255,255]
    res = np.hstack(imgs)
    cv_show('Compare', res)

gray = cv.imread('gradient.png',0)
res1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)[1]
res2 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)[1]
res3 = cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)[1]
res4 = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)[1]
res5 = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO_INV)[1]
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [gray, res1, res2, res3, res4, res5]
for i in range(6):
    # 组合运用插入子图
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray',vmin=0,vmax=255)
    # 插入子图标题
    plt.title(titles[i])
    # 去除各子图的x，y轴
    plt.xticks([]),plt.yticks([])
plt.show()

2. 自适应阈值处理

在简单阈值操作中，咱们使卷积公式表大全用一个大局卷积神经网络值作为阈值。但这显然并不适用于大多数opencv人员技能情况，例如，一个图画在不同的区域有不同的照明条件。在这种情况下，自适应阈值能够帮助咱们更好地处理图片。在像素工厂自适应算法中，会矩阵依据像素周围的一个小区域来确认阈值。 对算法导论于同一图画的不同区算法的时间复杂算法工程师度取决于域，咱们得到了不同的阈值，关于光照不同的图画，咱们能够获得更好的卷积云成果。

cv.adaptiveThreshold函数用于完结自适应阈值操作，除了上面的threshold承受参数以外，还需供给额外的三个参数

img
Maximum
自适应像素勇士大创造攻略滤波种类：有以下取值：
1. cv.ADAPTIVE_THRESH_MEAN_C: 类似于均值滤波，取邻域内的均值再减去一个常数偏移量作为阈卷积运算值
2. cv.ADAPTIVE_THRESH_GAUSSI矩阵的逆AN卷积积分_C: 阈值是邻域值的高斯加权和减去常数 c 。
阈值处理的类型：上卷积的物理含义述五种
blockSize：邻域矩阵巨细，一般取奇数
偏移常数

gray = cv.imread('lena.png',0)
# 都运用二值阈值
# 大局阈值处理阈值为127,
G_threshold = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)[1]
Guass_threshold = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY, 11, 2)
Mean_threshold = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY,11, 2)
imgs = [gray, G_threshold, Guass_threshold, Mean_threshold]
titles = ['Original','Global','Guass','Mean']
for i in range(len(imgs)):
    # 这儿要传入子图，同时为子图显示要传入gray灰度
    plt.subplot(2,2,i + 1),plt.imshow(imgs[i],'gray')
    plt.title(titles[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

3. Ots矩阵的迹u’s二值化矩阵

在大局阈值处理卷积积分中，咱们运用一个恣意的既OpenCV定值作为阈值。相比之下，Otsu卷积算法分析的目的是神经网络的工作原理的办法避免矩阵相乘怎么算了手动挑选，而是主动确认。考虑一个图画只要两个不同的图画值(双峰图画) ，其中的直方图将只包矩阵乘法括两个峰值。一个好的阈值应该位于这卷积公式两个值的中心。类似地，Otsu 的办法经过图画卷积运算直方图确认一个最佳的大局阈值。

OpenCV供给了cv.thre卷积公式表大全sh_otsu参数让threshold函数具备矩阵的迹主动挑选算法合适的阈值来卷积的物理意义处理双峰灰度图。

下面咱们看一个比如：

输入图画是一个噪声图画。在第一种情况下，运用值为127的矩阵的秩大局阈值切割。在第二种情况下，直接运用Otsu 的阈值处理。在第三种情况下，首先用一个5x算法的五个特性5高斯核滤除噪声，然后矩阵相乘怎么算运用 Otsu 阈值。看看过滤噪声办法是如何改善成果的。

img = cv.imread('noisy2.png',0)
# global thresholding
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu's thresholding，留意下面的调用办法
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# Otsu's thresholding after Gaussian filtering
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
for i in range(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()

二、滑润处卷积卷积运算的物理含义理

一般图画的滑润处矩阵的迹理是经过像素游戏各种滤波完结的，这儿咱们叙述一下低通滤波的用法以及自定义滤波器来完结2D卷积

1. 2D卷积opencv和yolo的差异(opencv目标检测图画过滤)

和一维信号相同，图画也能够用各种算法的时间复杂度取决于低通滤波器(LPF)、高通滤波器(HPF)等进矩阵游戏行滤波。LPF 有助于去除噪音，含糊图画等。HP算法工程师F 过滤器有助于在图画中找到边际。

OpenCV 供给矩阵乘法了一个 cv.filter2D ()函数，用于卷积内核中的映像。作为一个比如，咱们将尝试一个图画均匀过滤器。一个5×5均匀值的过滤器内核看起来如下:

$\ 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 end{array}right]$

具体操作流算法的空间复杂度是指程如下：让卷积核中心移动到每一个像素点，若卷积核有部分不在图画内，则运用0填充完毕后，再核算均匀值来替代原来的像素值。

c算法的五个特性v.filter2D的参数列表为：

img
目标图画通道数：-1 便是和原图坚持卷积云共同
kernel：卷积核，也便是narray阵opencv安装列

img = cv.imread('xy.png')
# 卷积核的数据类型不能为整数，若为整数则直接对成果取整了
# 留意此处的卷积核数据，要除以卷积核尺度的
kernel = np.ones((5,5), np.float32)/25
res = cv.filter2D(img, -1, kernel)
compare([img,res])

2. 图画滑润（滤波）

图画含糊算法剖析的意图是是经过卷积与低通滤波器内核的图画。它对消除噪声很有用。它实际上消除了像素游戏图画算法的空间复杂度是指中的高频内容(如: 噪音，边际，卷积神经网络的工作原理其实也就变化较大的像素点)。所以在这卷积积分像素勇士像素游戏大发明攻略个操作中边际有点含糊(也有不含糊边际的含糊技能)。OpenCV 供给了四种首卷积的物理意义要的含像素游戏糊技能。

A. 均值滤波

这是经过卷积一个图画与规范化框过滤器。它只是获取核心区域下一切像素的均匀值并替换中心元素。这是经过函数 cv像素射击.blur ()或 cv.boxFilter()完结的矩阵的乘法运算。咱们卷积核应该指定内核的宽矩阵乘法度和高度。一个3×3的标准化盒式过滤器看opencv安装起来如下: $\ 1 & 1 & 1 \ 1 & 1 & 1 end{array}right]$

留意：假如不像素冒险世界opencv和yolo的差异想运用规算法设计与分析范化的盒式过滤器，能够运用 cv像素.像素工厂boxFilter()，传入对应的normalise算法的有穷性是指 = False 即可运用自定义卷积积分卷积层的卷积核像素画。

img = cv.imread('xy.png')
Blur = cv.blur(img,(5, 5))
compare([img, Blur])

B. 高斯滤波矩阵乘法

该办法选用高斯核函数替代盒子滤波器。它是用 cv.Gaopencv安装教程ussianB卷积公式表大全lur()函数来完结的。咱们应该指定内核的宽度opencv是软件还是库和高度像素工厂，它们应该是正奇数。咱们还应该分别在 x 和 y 方向、 sigmaX 和 sigmaY 中指定标准差。假如只指定 sigmaX，则 sigmaY 被视为与 sigmaX 相同矩阵的逆。假如两者都以零的方式给出，则依据内核巨细核算它们。高斯矩阵的乘法运算模矩阵相乘怎样算糊关于消除高斯噪声很有用像素射击。

用法如下：cv.Gauopencv目标检测ssianBlur( src, ksize, sigmaX[, dst[, sigmaY[, borderType]]] ) -&gt卷积层; dst

别的，OpenCV还供给了 cv.get卷积层Gau算法导论ssianKernel()用于创建高斯内核。

用法如下：cv.getGaus算法剖析的意图是sianKernel( ksize, sigma[, ktype] ) -> retval

img = cv.imread('lena.png')
blur = cv.GaussianBlur(img,(11,11),0)
compare([img,blur])

C. 中值滤波

函数 cv矩阵的逆.medianBlur()取核卷积云opencv人脸识别心区域下一切像卷积公式素的中位数，中心像素值用这个中位数值替代。这关于图画中的椒盐噪声十分有用。在上面的像素生存者2过滤器(均值滤波或高算法斯滤波)中卷积层，中心元素是一个新核算的值，它卷积云可能是图画中卷积公式的一个像素值或一个算法的有穷性是指新值。但是在中值含糊中，中心元素总是被图画中的一些像素值所替代。中值滤波能有opencv人员技能效地降低卷积公式表大全噪声。它的内核巨细应该是一个正奇整数。

# 读取椒盐噪声图
img = cv.imread('jy.png')
median_5 = cv.medianBlur(img,5)
median_9 = cv.medianBlur(img,9)
median_13 = cv.medianBlur(img,13)
compare([img, median_5, median_9,median_13])

D卷积核. 双方滤波

cvopencv教程.bilate矩阵和行列式的差异ralFilter()双方滤波器能够在去除噪声同时坚持边算法的特征际锐利。但与其他算法是指什么过滤器相比，这种过滤器的运行速度要慢一些。高斯滤波器在像素周围找到邻域，矩阵乘法并获得了它的高斯加权均匀数。这个高斯滤波器是一个独自的空间函数，也便是说，邻近的opencv人脸识别像素被考虑过滤。它没有考虑像素是否具有几乎相同的强度。它不考虑像素是否是边际像素像素工厂。所以它也含糊了边际，这是咱们不想做的。像素工厂

双方滤波在空间上也选用高斯滤波，但是多一个高像素斯滤波是像素差的函数。空间的高斯算法的有穷性是指卷积运算函数确保只要邻近的像素被认为是含糊的，而强度差OpenCV异的高斯函数确保只要那些与中像素工厂心像素像素画有相似强度的像素被认为是含糊的。因此它保留了边际，由于像素的边际将有很大的强度变化。

用法： cv.bilateralFilter( src, d, sigmaColor, s算法剖析的意图是igmaSpace[, dst[, borderType]] )OpenCV -&gt像素勇士大创造攻略; dst

img = cv.imread('lena.png')
Guass = cv.GaussianBlur(img, (5,5),0 )
Bilateral = cv.bilateralFilter(img,9, 75,75)
compare([img, Guass, Bilateral])

OpenCV Tutorials 04 – 图像阈值和平滑处理

图画阈值和图画滤波

一、图画阈值

1矩阵和行列式的卷积核差异. 简单阈值操作

2. 自适应阈值处理

3. Ots矩阵的迹u’s二值化矩阵

二、滑润处卷积卷积运算的物理含义理

1. 2D卷积opencv和yolo的差异(opencv目标检测图画过滤)

2. 图画滑润（滤波）

A. 均值滤波

B. 高斯滤波矩阵乘法

C. 中值滤波

D卷积核. 双方滤波

作者信息

OpenCV Tutorials 04 – 图像阈值和平滑处理

图画阈值和图画滤波

一、图画阈值

1矩阵和行列式的卷积核差异. 简单阈值操作

2. 自适应阈值处理

3. Ots矩阵的迹u’s二值化矩阵

二、滑润处卷积卷积运算的物理含义理

1. 2D卷积opencv和yolo的差异(opencv目标检测图画过滤)

2. 图画滑润（滤波）

A. 均值滤波

B. 高斯滤波矩阵乘法

C. 中值滤波

D卷积核. 双方滤波

相关文章

Portainer 本地|远程容器使用详解

Serverless + GitHub Actions 完美自动化部署静态网站

网络协议漫谈

LLM应用开发与落地：基于上下文的文本信息检测与提取

作者信息