当前位置： 首页 > article >正文

python学opencv|读取图像（三十六）（反）零值处理

article 2025/1/18 8:17:46

【1】引言

前序学习进程中，我们已经对阈值处理有所认知，相关文章链接为：

python学opencv|读取图像（三十三）阈值处理-灰度图像-CSDN博客

python学opencv|读取图像（三十四）阈值处理-彩色图像-CSDN博客 

python学opencv|读取图像（三十五）反阈值处理-CSDN博客 

综合的技能点为：

cv.THRESH_BINARY阈值处理的原则是：给定阈值开关，大于开关的像素点，对其BGR值强制赋最大值255，相反则赋0；

cv.THRESH_BINARY_INV反阈值处理的原则是： 给定阈值开关，大于开关的像素点，对其BGR值强制赋0，相反则赋最大值255。

如果有些时候无需赋最大值255，只需要赋最小值0，这时候就要做零值处理。

【2】官网教程

零值处理依然使用cv2.threshold()函数，只不过此时需要调用的Type参数换成了cv.THRESH_TOZERO或者cv.THRESH_TOZERO_INV，这两个参数的作用是：

cv.THRESH_TOZERO零值处理的原则是：给定阈值开关，不大于开关的像素点，对其BGR值强制赋最小值0，相反则保持原值；

cv.THRESH_TOZERO_INV反零值处理的原则是： 给定阈值开关，大于开关的像素点，对其BGR值强制赋0，相反则保持原值。

关于这两个参数的介绍，可以通过下述链接直达官网：

OpenCV: Miscellaneous Image Transformations

图1

【3】代码测试

【3.1】灰度图像

在上述分析的基础上，我们进行代码测试。

首先是引入模块和图像：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块

# 读取图片
src = cv.imread('srcun.png',0)
dst=src#输出图像

然后进行零值处理和反零值处理：

#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_BINARY_INV) #阈值开关0，阈值上限255

#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_BINARY_INV) #阈值开关0，阈值上限255

之后将零值处理图像和原图像进行对比：

#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_TOZERO) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255

#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255

之后就是显示特定点的BGR值，保存图像：

#显示BGR值
print("dst像素数为[100,100]位置处的BGR=", dst[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst1像素数为[100,100]位置处的BGR=", dst1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst2像素数为[100,100]位置处的BGR=", dst2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst3像素数为[100,100]位置处的BGR=", dst3[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100])  # 获取像素数为[100,100]位置处的BGR

#保存图像
cv.imwrite('srcf-m-VC-dst.png', dst)  # 保存图像
cv.imwrite('srcf-m-t1-VC-ttt1.png', ttt1)  # 保存图像
cv.imwrite('srcf-m-t2-VC-ttt2.png', ttt2)  # 保存图像
cv.imwrite('srcf-m-t3-VC-ttt3.png', ttt3)  # 保存图像
cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

此处使用的原图为：

图2

读取图像时转化的灰度图为：

图3

按照原图-零值-反零值的顺序，进行零值和反零值处理后的图像效果对比图为：

图4 原图-零值-反零值，阈值开关58

图5 原图-零值-反零值，阈值开关100

图6 原图-零值-反零值，阈值开关0

从上述对比效果中，可以很明显地看出：零值处理后的图像，无论阈值开关多大，实际效果都相对于原图和反零值处理图更好。

看一下此时的特定像素点BGR值：

图7 灰度图零值和反零值处理后的BGR值

理论上分析，因为零值处理让本山RGB值小于阈值开关的像素点对应RGB=0，相当于让这些点直接变成黑点，而亮的地方保持不变，所以实际上是增强了对比效果。

此时的完整代码为：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块

# 读取图片
src = cv.imread('srcun.png',0)
dst=src#输出图像

#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_TOZERO) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255

#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255

#和原图对比
ttt1=np.hstack((dst,dst1,dstt1)) #和原图对比
ttt2=np.hstack((dst,dst1,dstt2)) #和原图对比
ttt3=np.hstack((dst,dst1,dstt3)) #和原图对比


#展示图像
cv.imshow('srcf', dst)  # 在屏幕展示效果
cv.imshow('srcft1', ttt1)  # 在屏幕展示效果
cv.imshow('srcft2', ttt2)  # 在屏幕展示效果
cv.imshow('srcft3', ttt3)  # 在屏幕展示效果

#显示BGR值
print("dst像素数为[100,100]位置处的BGR=", dst[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst1像素数为[100,100]位置处的BGR=", dst1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst2像素数为[100,100]位置处的BGR=", dst2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst3像素数为[100,100]位置处的BGR=", dst3[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100])  # 获取像素数为[100,100]位置处的BGR

#保存图像
cv.imwrite('srcf-m-VC-dst.png', dst)  # 保存图像
cv.imwrite('srcf-m-t1-VC-ttt1.png', ttt1)  # 保存图像
cv.imwrite('srcf-m-t2-VC-ttt2.png', ttt2)  # 保存图像
cv.imwrite('srcf-m-t3-VC-ttt3.png', ttt3)  # 保存图像
cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

  【3.2】彩色图像 

之后进行彩色图像的零值和反零值处理，这只需要改一行代码，将src = cv.imread('srcun.png',0)改为：

src = cv.imread('srcun.png') #读取图像

直接输出完整代码：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块

# 读取图片
src = cv.imread('srcun.png') #读取图像
dst=src#输出图像

#零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_TOZERO) #阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255

#反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255

#和原图对比
ttt1=np.hstack((dst,dst1,dstt1)) #和原图对比
ttt2=np.hstack((dst,dst1,dstt2)) #和原图对比
ttt3=np.hstack((dst,dst1,dstt3)) #和原图对比


#展示图像
cv.imshow('srcf', dst)  # 在屏幕展示效果
cv.imshow('srcft1', ttt1)  # 在屏幕展示效果
cv.imshow('srcft2', ttt2)  # 在屏幕展示效果
cv.imshow('srcft3', ttt3)  # 在屏幕展示效果

#显示BGR值
print("dst像素数为[100,100]位置处的BGR=", dst[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst1像素数为[100,100]位置处的BGR=", dst1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst2像素数为[100,100]位置处的BGR=", dst2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dst3像素数为[100,100]位置处的BGR=", dst3[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt1像素数为[100,100]位置处的BGR=", dstt1[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt2像素数为[100,100]位置处的BGR=", dstt2[100, 100])  # 获取像素数为[100,100]位置处的BGR
print("dstt3像素数为[100,100]位置处的BGR=", dstt3[100, 100])  # 获取像素数为[100,100]位置处的BGR

#保存图像
cv.imwrite('srcf-m-VCC-dst.png', dst)  # 保存图像
cv.imwrite('srcf-m-t1-VCC-ttt1.png', ttt1)  # 保存图像
cv.imwrite('srcf-m-t2-VCC-ttt2.png', ttt2)  # 保存图像
cv.imwrite('srcf-m-t3-VCC-ttt3.png', ttt3)  # 保存图像
cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

这里可以直接给出按照原图-零值-反零值的顺序的图像效果对比图：

图8 原图-零值-反零值，阈值开关58

图9 原图-零值-反零值，阈值开关100

图10 原图-零值-反零值，阈值开关50

看一下此时的特定像素点BGR值：

图11 彩色图零值和反零值处理后的BGR值 

对于彩色图像也一样，理论上分析，因为零值处理让本身RGB值小于阈值开关的像素点对应RGB=0，相当于让这些点直接变成黑点，而亮的地方保持不变，所以实际上是增强了对比效果。

【4】细节说明

这里为了增强对比效果，所以调用了np.hstack()函数来让图像水平拼接；与此相对应，还有竖直拼接，可以调用np.vstack()函数实现这个目标。

【5】总结

掌握了python+opencv实现图像零值和反零值处理的技巧。


http://www.kler.cn/a/507576.html

相关文章：

  • C#-方法（函数）
  • Spring Boot Actuator 详细介绍
  • 正则表达式先入门，精不精通看修行
  • 【机器学习：二十二、机器学习项目开发的技巧】
  • 【论文阅读】具身人工智能（Embodied AI）综述：连接数字与物理世界的桥梁
  • 从玩具到工业控制--51单片机的跨界传奇【2】
  • springboot 利用html模版导出word
  • JavaScript笔记基础篇03——函数
  • HarmonyOS使用Grid网格实现计算器功能实现
  • AndroidStudio升级到2024.2.2项目AGP升级8.8.0版本记录
  • MyBatis（三）代理Dao方式的CRUD操作
  • uniapp 微信小程序 金额展示套餐
  • 【狂热算法篇】探秘图论之 Floyd 算法：解锁最短路径的神秘密码(通俗易懂版)
  • 算法（蓝桥杯）贪心算法5——删数问题的解题思路
  • Titans Learning to Memorize at Test Time
  • AI编程工具使用技巧——通义灵码
  • 《火焰烟雾检测开源神经网络模型：智能防火的科技护盾》
  • Python调用go语言编译的库
  • Math Reference Notes: 矩阵基础
  • Android adb 调试，不在手机上点击信任 “允许usb调试” 即可连接的方式（手机需root）
  • 浅谈云计算20 | OpenStack管理模块（下）
  • CV与NLP经典大模型解读
  • RAG 切块Chunk技术总结与自定义分块实现思路
  • Node.js path.join
  • UE控件学习
  • 你会选择java还是node做后台管理