Python OpenCV 图像的二值化操作再次学习与图像平滑处理（卷积处理）

Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。本篇博客是这个系列的第 44 篇。

基础知识铺垫

今天再去回顾 上一篇 写二值化操作的博客，内容还是稚嫩了一些，果然第一遍的学习只是掌握了一丢丢的皮毛，还有很多细节的知识点需要补充。

二值化学习迭代

首先还是对 cv2.theshold 函数进行学习，函数原型与参数基础部分，翻阅上篇博客即可，重点补充如下内容。
函数原型还是先参考一下：

retval, dst = cv2.threshold(src, thresh, maxval, type[, dst])

重点要说明的参数是 type，先回顾一下基本函数的基本使用代码，毕竟有代码才方便回顾内容：

import cv2 as cv
import numpy as np
src = cv.imread("./test.png")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

retval, dst = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

image = np.hstack((gray, dst))
cv.imshow("image", image)
cv.waitKey()

运行结果如下：

最后一个 type 参数是复习到的重点知识，它的取值影响了最终二值图的结果。
在看一下 type 取值常见的有如下 5 个，这 5 个还可以分为三组，分别是

1. THRESH_BINARY 与 THRESH_BINARY_INV；
2. THRESH_TRUNC；
3. THRESH_TOZERO 与 THRESH_TOZERO_INV。

第一组中的两个取值和第三组的两个含义相同，都是相反的关系，因此看一个参数值即可。

THRESH_BINARY 最常用的，表示当像素点的值大于阈值 thresh 就取 maxval 设置的颜色，一般将 thresh 设置为 127，将 maxval 设置为 255，那 THRESH_BINARY 就会把所有灰度值大于 127 的都设置为 255。这里注意二值化操作的是灰度图像，虽然传递彩色图像也起作用，但是做二值化的时候，一定要提前把彩色图像转换为二值图像才可。

THRESH_TOZERO 超过阈值的像素无变化，不大于的像素设置为 0，具体其实你进行一下简单尝试即可。

import cv2 as cv
import numpy as np

cv.namedWindow("image",cv.WINDOW_FREERATIO)

src = cv.imread("./test.png")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

retval1, dst1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
retval2, dst2 = cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)
image = np.hstack((dst1,dst2))
cv.imshow("image", image)
cv.waitKey()

使用该办法，明显会看到有些地方的灰度值得到了保留，注意 THRESH_TOZERO 是超过阈值的像素无变化，未超过的设置为 0 。
与 THRESH_BINARY 对比之后得到的结论就是，黑的地方一起黑，白的地方你更白。
所以在使用 THRESH_TOZERO 的时候，写成下面这个样子也没有什么问题。

retval2, dst2 = cv.threshold(gray, 127, 0, cv.THRESH_TOZERO)

THRESH_TRUNC 截断阈值化，大于阈值部分设置为阈值，否则不变，测试代码如下：

retval1, dst1 = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
retval2, dst2 = cv.threshold(gray, 127, 0, cv.THRESH_TOZERO)
retval3, dst3 = cv.threshold(gray, 127, 0, cv.THRESH_TRUNC)
image = np.hstack((dst1,dst2,dst3))

对比之后，立马就能明白，THRESH_TRUNC 会把图片的灰度值上限设置成一个具体值，例如本案例中的 127。

图像平滑处理学习迭代

平滑处理即卷积操作，在 这篇博客 前后都有所涉及，再次学习的时候，我们将其进行一下补充。

在对图像进行去噪处理的时候，可以使用均值滤波，它是简单的平均卷积操作，关于卷积数学相关的之后，在稍微后放 10 几天的时间，在进行补充，因为接下来的内容很多地方都会有卷积，多学一些应用层的之后，再去复盘数学基础，就事半功倍了。

虽然不涉及数学原理，但是咱还需要对底层实现进行一下基本的认知的，为了方便实现，我采用一张手动生成的灰度图进行演示。

生成一张灰度图的代码：

import cv2 as cv
import numpy as np
# 生成一个10*10的灰度图片
src = np.random.randint(256,size=(10, 10),dtype=np.uint8)
print(src)

cv.imshow("src",src)

因为是随机生成的，输出的代码如下：

[[ 90 134 192 243 116   2 172 143  22 218]
 [192 145 171 125 175 138  64 232  90 160]
 [ 61  20 231  37  77  27 141 182  71 194]
 [136  86  10 239 196 137 192 243  47  40]
 [220 167   3  50 227  70 135 227 225 218]
 [207  10 213 134 249 157 179 112  58  78]
 [107  33  68 143 124 215 175 167 108 195]
 [ 32 227  43 249  61 168 230 180  82  47]
 [ 89 211 253 141 199 140  34 185 179  32]
 [ 18  98 109  92  37  13 200 102  97 218]]

均值滤波默认会选择一个 3x3 的卷积核，然后进行从左到右，从上到下的卷积操作。

上图红色的 137，就是进行均值滤波之后的结果，计算中心数字 145 周围的 9 个数字之和，然后再除以 9，得到 137，替换掉 145 。
但是该操作你也会发现一个问题，就是边缘是无法凑到卷积核 3x3 的，这里橡皮擦也查阅了相关资料，存在的解释就是边缘填充，也就是前几篇博客学习的内容，不过我进行尝试之后，发现结果并不理想，抽时间还是要查阅一下 OpenCV 的源码，核对一下到底是什么计算方式，不过核心的思路已经比较清楚了，均值就是计算平均值。

由于它是该卷积核取九个值的平均值代替中间像素值，所以最终的效果是平滑的，将其应用到具体图像上，呈现如下效果。

import cv2 as cv
import numpy as np

cv.namedWindow("image",cv.WINDOW_FREERATIO)

src = cv.imread("./t1.jpg")
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

dst = cv.blur(gray,(3,3))
image = np.hstack((gray,dst))
cv.imshow("image", image)
cv.waitKey()

卷积核大小设置成任意都是可以的，只不过建议设置为 3x3、5x5 这些奇数。

方框滤波

在之前的博客中貌似没有涉及方框滤波的内容，这里在进行一下补充，与均值滤波用法基本一致，函数原型如下：

dst = cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])

可以选择是否进行归一化操作，具体代码可以运行下述内容：

# 归一化
dst = cv.boxFilter(gray,-1,(3,3),normalize=True)
# 不做归一化
dst = cv.boxFilter(gray,-1,(3,3),normalize=False)

简单说，不做归一化操作，在使用 3x3 卷积核进行计算之后，不除以 9，像素越界，默认保留成 255，也就大白了。

高斯滤波就是增加了高斯分布相关的知识，或者增加了空间距离相关的概念，说白了就是像素周边的像素权重不同了。相比于均值滤波，高斯滤波有着更好的平滑效果。

中值滤波就是把卷积核覆盖的矩阵进行从小到大排序，然后取中值为目标图像的像素值。

橡皮擦的小节

希望今天的 1 个小时你有所收获，我们下篇博客见~

相关阅读

技术专栏

1. Python 爬虫 100 例教程，超棒的爬虫教程，立即订阅吧
2. Python 爬虫小课，精彩 9 讲

今天是持续写作的第 86 / 100 天。
如果你想跟博主建立亲密关系，可以关注同名公众号 梦想橡皮擦，近距离接触一个逗趣的互联网高级网虫。
博主 ID：梦想橡皮擦，希望大家点赞、评论、收藏。