自学python-opencv(2)图像二值化

import  cv2
import numpy as np
def threshold_demo(image):
    gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    ret,binary=cv2.threshold(gray,127,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)
　　#阈值的阙值
    print("threshold value %s"%ret)
    cv2.imshow("binary",binary)
def local_threshold(image):
　　#灰色图像
    gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    #blocksize是奇数 25为像素值，10为阈值
    dst=cv2.adaptiveThreshold(gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,25,10)
    cv2.imshow("local_thresgold",dst)
def custom_threshold(image):
    gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
   #h,w shape中高 宽  
　　h,w=gray.shape[0:2]
    #img=np.array(image)
　　#降维
    m=np.reshape(gray,[1,w*h])
    mean=m.sum()/(w*h)
    print("mean:",mean)
    ret,binary=cv2.threshold(gray,mean,255,cv2.THRESH_BINARY)
    cv2.imshow("custom_threshold",binary)

print("-----------hi python-------------")
img=cv2.imread("./images/timg.bmp")
cv2.namedWindow("imput images",cv2.WINDOW_AUTOSIZE)
cv2.imshow("imput images",img)
custom_threshold(img)
#threshold_demo(img)
#local_threshold(img)
cv2.waitKey()
cv2.destroyWindow('all')
-------------------------------------------------------------------------------------------
adaptiveThreshold：它的思想不是计算全局图像的阈值，而是根据图像不同区域亮度分布，计算其局部阈值，所以对于图像不同区域，能够自适应计算不同的阈值，因此被称为自适应阈值法

 adaptiveThreshold(InputArray src, OutputArray dst, double maxValue,int adaptiveMethod, int thresholdType, int blockSize, double C)

InputArray src：源图像
OutputArray dst：输出图像，与源图像大小一致
int adaptiveMethod：在一个邻域内计算阈值所采用的算法，有两个取值，分别为 ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C 。
ADAPTIVE_THRESH_MEAN_C的计算方法是计算出领域的平均值再减去第七个参数double C的值。
ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出领域的高斯均值再减去第七个参数double C的值。
int thresholdType：这是阈值类型，只有两个取值，分别为 THRESH_BINARY 和THRESH_BINARY_INV  具体的请看官方的说明，这里不多做解释。
int blockSize：adaptiveThreshold的计算单位是像素的邻域块，这是局部邻域大小，3、5、7等。
double C：这个参数实际上是一个偏移值调整量，用均值和高斯计算阈值后，再减或加这个值就是最终阈值。

----------------------------------------------------------------------------------------------

 

 m=np.reshape(gray,[1,w*h])

reshape是数组对象中的方法，用于改变数组的形状

常用降维：

ravel（）：将多维数组拉平（一维）。
flatten（）：将多维数组拉平，并拷贝一份。
squeeze（）：除去多维数组中，维数为1的维度，如315降维后3*5。

 

reshape（-1）：多维数组，拉平。-1是未知
reshape（-1，5）：其中-1表示我们不用亲自去指定这一维度的大小，理解为n维。

numpy.reshape(a, newshape, order=’C’)
a：array_like
    要重新形成的数组。
newshape：int或tuple的整数
    新的形状应该与原始形状兼容。如果是整数，则结果将是该长度的1-D数组。一个形状维度可以是-1。在这种情况下，从数组的长度和其余维度推断该值。
order：{'C'，'F'，'A'}可选
    使用此索引顺序读取a的元素，并使用此索引顺序将元素放置到重新形成的数组中。'C'意味着使用C样索引顺序读取/写入元素，最后一个轴索引变化最快，回到第一个轴索引变化最慢。'F'意味着使用Fortran样索引顺序读取/写入元素，第一个索引变化最快，最后一个索引变化最慢。注意，'C'和'F'选项不考虑底层数组的内存布局，而只是参考索引的顺序。'A'意味着在Fortran类索引顺序中读/写元素，如果a 是Fortran 在内存中连续的，否则为C样顺序。

　　生成gray数组，一行多列。

　　mean=m.sum()/(w*h)数组

　　数组求和/高*宽 的权重 类似均值思想

参考博客https://blog.csdn.net/DocStorm/article/details/58593682?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3.channel_param

阈值函数讲解参考：

https://blog.csdn.net/weixin_42296411/article/details/80901080?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.channel_param

---------------------------