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：

图1

相应的对上述几种处理方式举行对比有：

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：

1. import cv2 as cv # 引入CV模块
2. import numpy as np #引入numpy模块
4. # 读取图片
5. src = cv.imread('srcun.png',0)
6. dst=src#输出图像

复制代码

然后依次举行阈值-零值-截断处理：

1. #阈值和零值处理
2. t1,dst1=cv.threshold(src,58,158,cv.THRESH_BINARY) #阈值-阈值开关58，阈值上限158
3. t2,dst2=cv.threshold(src,58,158,cv.THRESH_TOZERO) #零值-阈值开关100，阈值上限255
5. #截断处理
6. t3,dst3=cv.threshold(src,58,158,cv.THRESH_TOZERO) #截断-阈值开关158，阈值上限200

复制代码

之后补充反阈值和反零值处理做对比：

1. #t2,dst2=cv.threshold(src,100,255,cv.THRESH_TOZERO) #阈值开关100，阈值上限255
2. #t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255
4. #反阈值和反零值处理
5. tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
6. tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
8. #tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
9. #tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
10. #tt3,dstt3=cv.threshold(src,0,255,cv.THRESH_TOZERO_INV) #阈值开关0，阈值上限255

复制代码

之后举行效果对比，输出特定点的像素值：

1. #和原图对比
2. ttt1=np.hstack((dst,dst1,dst3)) #原图-阈值-截断对比
3. ttt2=np.hstack((dst,dst2,dst3)) #原图-零值-截断对比
4. ttt3=np.hstack((dst,dstt1,dst3)) #原图-反阈值-截断对比
5. ttt4=np.hstack((dst,dstt2,dst3)) #原图-反零值-截断对比
6. ttt5=np.hstack((dst,dst1,dst2)) #原图-阈值-零值对比
7. ttt6=np.hstack((dst3,dstt1,dstt2)) #截断-反阈值-反零值对比
8. ttt7=np.vstack((ttt6,ttt5)) #原图-阈值-零值-截断-反阈值-反零值对比
9. #展示图像
10. cv.imshow('srcft0', dst)  # 在屏幕展示效果
11. cv.imshow('srcft1', ttt1)  # 在屏幕展示效果
12. cv.imshow('srcft2', ttt2)  # 在屏幕展示效果
13. cv.imshow('srcft3', ttt3)  # 在屏幕展示效果
14. cv.imshow('srcft4', ttt4)  # 在屏幕展示效果
15. cv.imshow('srcft5', ttt7)  # 在屏幕展示效果
16. #显示BGR值
17. 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
18. 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
19. 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
20. 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
21. 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
22. 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
23. #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

复制代码

然后保存相关图像，释放全部窗口：

1. #保存图像
2. cv.imwrite('srcf-J-VC-dst.png', dst)  # 保存图像
3. cv.imwrite('srcf-J-t1-VC-ttt1.png', ttt1)  # 保存图像
4. cv.imwrite('srcf-J-t2-VC-ttt2.png', ttt2)  # 保存图像
5. cv.imwrite('srcf-J-t3-VC-ttt3.png', ttt3)  # 保存图像
6. cv.imwrite('srcf-J-t3-VC-ttt4.png', ttt4)  # 保存图像
7. cv.imwrite('srcf-J-t3-VC-ttt7.png', ttt7)  # 保存图像
8. cv.waitKey()  # 图像不会自动关闭
9. cv.destroyAllWindows()  # 释放所有窗口

复制代码

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

举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：
  

1. src = cv.imread('srcun.png') #读取图像

复制代码

直接输出完整代码：

1. 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
2. #t3,dst3=cv.threshold(src,0,255,cv.THRESH_TOZERO) #阈值开关0，阈值上限255
4. #反阈值和反零值处理
5. tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_BINARY_INV) #阈值开关100，阈值上限255
6. tt2,dstt2=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
8. #tt1,dstt1=cv.threshold(src,58,158,cv.THRESH_TOZERO_INV) #阈值开关58，阈值上限158
9. #tt2,dstt2=cv.threshold(src,100,255,cv.THRESH_TOZERO_INV) #阈值开关100，阈值上限255
10. #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BGRprint("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BGRprint("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BGRprint("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BGRprint("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BGRprint("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()  # 释放全部窗口

复制代码

举行处理后的图像对比效果为：

图9 原图-阈值-截断对比 

图10 原图-零值-截断对比

图11 原图-反阈值-截断对比

图12 原图-反零值-截断对比

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：

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。

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。