当前位置: 首页 > article >正文

opencv 中 threshold 函数作用

在 OpenCV 中,threshold 函数用于将图像转换为二值图像,它通过设置一个阈值来将像素值分类为两类:低于阈值的像素设置为 0(或黑色),高于阈值的像素设置为最大值(通常是 255 或白色)。这是图像处理中的一种常见操作,特别是在边缘检测、图像分割和目标识别等任务中。

函数原型:

cv::threshold(
    const cv::Mat& src,     // 输入图像,应该是灰度图
    cv::Mat& dst,           // 输出图像,结果会存储在这里
    double thresh,          // 阈值
    double maxval,          // 大于阈值的像素值
    int thresholdType       // 阈值类型
);

参数:

  • src:输入图像,通常是灰度图像。threshold 操作只对单通道图像(通常是灰度图像)有效。
  • dst:输出图像,存储二值化后的结果。
  • thresh:阈值,用于将像素值分为两类。如果像素值大于 thresh,则设置为 maxval;否则设置为 0。
  • maxval:大于阈值的像素将被设置为此值。通常为 255(白色)。
  • thresholdType:阈值类型。OpenCV 提供了几种不同的类型,用于控制阈值操作的方式。常用的类型如下:

thresholdType 参数的常用值:

  1. cv::THRESH_BINARY:如果像素值大于 thresh,则设置为 maxval,否则设置为 0。即将图像转为黑白图像。
  2. cv::THRESH_BINARY_INV:与 THRESH_BINARY 相反。如果像素值大于 thresh,则设置为 0,否则设置为 maxval
  3. cv::THRESH_TRUNC:如果像素值大于 thresh,则将其值设置为 thresh,否则不变。
  4. cv::THRESH_TOZERO:如果像素值大于 thresh,则不改变其值,否则设置为 0。
  5. cv::THRESH_TOZERO_INV:与 THRESH_TOZERO 相反。如果像素值大于 thresh,则不变,否则设置为 0。
  6. cv::THRESH_OTSU:自动计算阈值(基于 Otsu 的算法)。thresh 参数在这种情况下会被忽略,OpenCV 会自动计算最佳阈值。

返回值:

threshold 函数返回一个浮动的阈值(retval),如果使用了 cv::THRESH_OTSU,则该值是计算得到的最佳阈值。


http://www.kler.cn/a/387493.html

相关文章:

  • Python如何用正则表达式匹配并处理文件名
  • C语言第十一周课——函数的调用
  • 35.3K+ Star!PhotoPrism:一款基于AI的开源照片管理工具
  • 24/11/11 算法笔记 泊松融合
  • Springboot应用的端口配置方法解析与优先级详解
  • 【网络协议栈】网络层(上)网络层的基本理解、IP协议格式、网络层分组(内附手画分析图 简单易懂)
  • 万字长文解读深度学习——GPT、BERT、T5
  • Ubuntu 22.04安装ROS 1教程汇总
  • 多线程---线程池
  • # filezilla连接 虚拟机ubuntu系统出错“尝试连接 ECONNREFUSED - 连接被服务器拒绝, 失败,无法连接服务器”解决方案
  • SQL,力扣题目1127, 用户购买平台
  • 本地 Hadoop 开发环境搭建详解
  • MTK6833/MT6833(天玑700)安卓核心板_联发科5G智能通讯模块安卓主板定制
  • 如何在下载我上传的数据时自动设置 Content-Type
  • Mac brew安装软件镜像加速
  • Android的Handler
  • 手写Golang泛型栈和队列的库函数
  • 万字长文解读深度学习——卷积神经网络CNN
  • JS | JS中获得鼠标位置的属性有哪些?
  • 【ShuQiHere】️`adb kill-server` 和 `adb start-server` 命令的作用
  • 如何自定义一个函数有strlen的功能(不创建新的临时变量)(c基础)
  • 机器学习系列----岭回归(Ridge Regression)简介及实现
  • 【复平面】-复数相乘的几何性质
  • 从0开始深度学习(28)——序列模型
  • 在 CIFAR10 数据集上训练 Vision Transformer (ViT)
  • 解释一下Java中的异常处理机制