python学opencv|读取图像（三十七 ）截断处理
【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值逼迫赋最大值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值逼迫赋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值逼迫赋最小值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值逼迫赋0，相反则保持原值。
上述处理都有强行赋值的功能，如果偶然候不需要赋最大值大概最小值，只希望保留原值，这时间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，相反则逼迫赋阈值；
相应的官网链接为： OpenCV: Miscellaneous Image Transformations
官网给出的阐明为：
https://i-blog.csdnimg.cn/direct/5120e852c7054bbb8fcce9cb34aed3cd.png
图1
相应的对上述几种处理方式举行对比有：
https://i-blog.csdnimg.cn/direct/b7e3584e38b14841a0477845dd3f794e.png
图2 综合对比
【3】代码测试
【3.1】灰度图像
起首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 然后依次举行阈值-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 之后举行效果对比，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像素数为位置处的BGR=", dst)# 获取像素数为位置处的BGR
print("阈值-dst1像素数为位置处的BGR=", dst1)# 获取像素数为位置处的BGR
print("零值-dst2像素数为位置处的BGR=", dst2)# 获取像素数为位置处的BGR
print("截断-dst3像素数为位置处的BGR=", dst3)# 获取像素数为位置处的BGR
print("反阈值-dstt1像素数为位置处的BGR=", dstt1)# 获取像素数为位置处的BGR
print("反零值-dstt2像素数为位置处的BGR=", dstt2)# 获取像素数为位置处的BGR
#print("dstt3像素数为位置处的BGR=", dstt3)# 获取像素数为位置处的BGR 然后保存相关图像，释放全部窗口：
#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：
https://i-blog.csdnimg.cn/direct/1519305dbe744016974afaae6c9b8108.png
图3 原图
转化后的灰度图为：
https://i-blog.csdnimg.cn/direct/b130440c2d8944a3bd6b3f5b347c6def.png
图2 读入后的灰度图
举行处理后的图像对比效果为：
https://i-blog.csdnimg.cn/direct/a7a1172c86534d4e99961179f26609fd.png
图3 原图-阈值-截断对比
https://i-blog.csdnimg.cn/direct/79d06e6596d149ef91b4c2d6889fde0c.png
图4 原图-零值-截断对比
https://i-blog.csdnimg.cn/direct/0b5068a2622f4365a9a5b1d99b53aea5.png
图5 原图-反阈值-截断对比
https://i-blog.csdnimg.cn/direct/80cd606309e34286b3d6de6a4fd4a5e2.png
图6 原图-反零值-截断对比
https://i-blog.csdnimg.cn/direct/bf3da5ad7d624166aaf09d60c738b845.png
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：
https://i-blog.csdnimg.cn/direct/adec7bb311f44cae995dde86c72d116f.png
图8 像素点BGR值
【3.2】彩色图像
之后举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158t2,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像素数为位置处的BGR=", dst)# 获取像素数为位置处的BGRprint("阈值-dst1像素数为位置处的BGR=", dst1)# 获取像素数为位置处的BGRprint("零值-dst2像素数为位置处的BGR=", dst2)# 获取像素数为位置处的BGRprint("截断-dst3像素数为位置处的BGR=", dst3)# 获取像素数为位置处的BGRprint("反阈值-dstt1像素数为位置处的BGR=", dstt1)# 获取像素数为位置处的BGRprint("反零值-dstt2像素数为位置处的BGR=", dstt2)# 获取像素数为位置处的BGR#print("dstt3像素数为位置处的BGR=", dstt3)# 获取像素数为位置处的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()# 释放全部窗口 举行处理后的图像对比效果为：
https://i-blog.csdnimg.cn/direct/f8bb2504745b428a89db54265dbb05df.png
图9 原图-阈值-截断对比
https://i-blog.csdnimg.cn/direct/0f9877d3be3946f9a5e67c53107c1836.png
图10 原图-零值-截断对比
https://i-blog.csdnimg.cn/direct/307eafa1c9b44dba8ff36c76772bf492.png
图11 原图-反阈值-截断对比
https://i-blog.csdnimg.cn/direct/e757cedba0b644fe852712a3fa066511.png
图12 原图-反零值-截断对比
https://i-blog.csdnimg.cn/direct/b13401d47a844fc8a7ab82582c275bee.png
图13 原图-阈值-零值-截断-反阈值-反零值对比
此时的特定像素点输出为：
https://i-blog.csdnimg.cn/direct/4f27f883486f40d38483a0738949de98.png
图14 像素点BGR值
综合上述图像：
零值处理的效果相对来说较好，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酿成斑点，而亮的地方保持不变，以是现实上是增强了对比效果
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。
https://i-blog.csdnimg.cn/direct/5efdbded2e134ea79a11b620ac95e3c8.png
图15 效果对比
【4】细节阐明
截断处理暂无反截断处理。
【5】总结
掌握了python+opencv实现图像截断处理的技巧。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]