当前位置：首页 > article >正文

python学opencv|读取图像（三十七）截断处理

article 2025/1/18 11:26:17

【1】引言

前序已经学习了图像的多种BGR值处理方式，包括阈值处理、反阈值处理、零值处理和反零值处理，相关链接包括：

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

python学opencv|读取图像（三十六）（反）零值处理-CSDN博客

实现这些处理都是通过改变cv2.threshold()函数中的type参数实现：

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；

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。

上述处理都有强行赋值的功能，如果有时候不需要赋最大值或者最小值，只希望保留原值，这时候就需要做阈值截断处理。

【2】官网教程

阈值截断处理也是通过改变cv2.threshold()函数中的type参数实现：

cv.THRESH_TRUNC截断处理的原则是：给定阈值开关，不大于开关的像素点，对其BGR值保持原值，相反则强制赋阈值；

相应的官网链接为： OpenCV: Miscellaneous Image Transformations

官网给出的说明为：

图1

相应的对上述几种处理方式进行对比有：

图2 综合对比

【3】代码测试

【3.1】灰度图像

首先是引入需要的模块和图像：

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

然后依次进行阈值-零值-截断处理：

#阈值和零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255

#截断处理
t3,dst3=cv.threshold(src,58,158,cv.THRESH_TOZERO) #截断-阈值开关158，阈值上限200

之后补充反阈值和反零值处理做对比：

#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

#反阈值和反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255

#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

之后进行效果对比，输出特定点的像素值：

#和原图对比
ttt1=np.hstack((dst,dst1,dst3)) #原图-阈值-截断对比
ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
ttt7=np.vstack((ttt6,ttt5)) #原图-阈值-零值-截断-反阈值-反零值对比
#展示图像
cv.imshow('srcft0', 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
cv.imshow('srcft4', ttt4)  # 在屏幕展示效果
cv.imshow('srcft5', ttt7)  # 在屏幕展示效果
#显示BGR值
print("原图-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("阈值-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("零值-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("截断-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("反阈值-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("反零值-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

然后保存相关图像，释放所有窗口：

#保存图像
cv.imwrite('srcf-J-VC-dst.png', dst)  # 保存图像
cv.imwrite('srcf-J-t1-VC-ttt1.png', ttt1)  # 保存图像
cv.imwrite('srcf-J-t2-VC-ttt2.png', ttt2)  # 保存图像
cv.imwrite('srcf-J-t3-VC-ttt3.png', ttt3)  # 保存图像
cv.imwrite('srcf-J-t3-VC-ttt4.png', ttt4)  # 保存图像
cv.imwrite('srcf-J-t3-VC-ttt7.png', ttt7)  # 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3 原图

转化后的灰度图为：

图2 读入后的灰度图

进行处理后的图像对比效果为：

图3 原图-阈值-截断对比

图4 原图-零值-截断对比

图5 原图-反阈值-截断对比

图6 原图-反零值-截断对比

图7 原图-阈值-零值-截断-反阈值-反零值对比

由上述几个转化后的图像对比效果可以看出：零值处理的效果相对来说较好，截断处理会给出一种“图像变暗”的感觉，这种变暗是由于一部分大于阈值（58）的像素点阈值被拉低到阈值上限（158）造成的。

此时的特定像素点输出为：

图8 像素点BGR值

【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

#阈值和零值处理
t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255

#截断处理
t3,dst3=cv.threshold(src,58,158, cv.THRESH_TRUNC) #截断-阈值开关158，阈值上限200

#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

#反阈值和反零值处理
tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255

#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,dst3)) #原图-阈值-截断对比
ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
ttt7=np.vstack((ttt5,ttt6)) #原图-阈值-零值-截断-反阈值-反零值对比
#展示图像
cv.imshow('srcft0', 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
cv.imshow('srcft4', ttt4)  # 在屏幕展示效果
cv.imshow('srcft5', ttt7)  # 在屏幕展示效果
#显示BGR值
print("原图-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("阈值-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("零值-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("截断-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("反阈值-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("反零值-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-JC-VC-dst.png', dst)  # 保存图像
cv.imwrite('srcf-JC-t1-VC-ttt1.png', ttt1)  # 保存图像
cv.imwrite('srcf-JC-t2-VC-ttt2.png', ttt2)  # 保存图像
cv.imwrite('srcf-JC-t3-VC-ttt3.png', ttt3)  # 保存图像
cv.imwrite('srcf-JC-t3-VC-ttt4.png', ttt4)  # 保存图像
cv.imwrite('srcf-JC-t3-VC-ttt7.png', ttt7)  # 保存图像
cv.waitKey()  # 图像不会自动关闭
cv.destroyAllWindows()  # 释放所有窗口

进行处理后的图像对比效果为：