CV2逐步学习-3:cv2.threshold()二值化详解

本文主要是介绍CV2逐步学习-3:cv2.threshold()二值化详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.官方文档：

从官方文档分析：

2.函数定义

cv2.threshold (src, thresh, maxval, type)

3.Args：

src：源图像矩阵，单通道，8 位或 32 位浮点数据
注意！：这里的单通道应是指.threshold()对图像处理时按单通道依次进行处理,待处理图像矩阵可以是单通道8位图像矩阵，也可以是32为RGBA图像矩阵，具体看下方实验（这里差点搞错，误以为该函数只能处理单通道图像矩阵，感谢小伙伴提醒！！）
A是Alpha色彩空间:
alpha通道一般用作不透明度参数。如果一个像素的alpha通道数值为0%，那它就是完全透明的（也就是看不见的），而数值为100%则意味着一个完全不透明的像素（传统的数字图像）。在0%和100%之间的值则使得像素可以透过背景显示出来，就像透过玻璃（半透明性），这种效果是简单的二元透明性（透明或不透明）做不到的。它使数码合成变得容易。alpha通道值可以用百分比、整数或者像RGB参数那样用0到1的实数表示。
thresh：阈值，取值范围0～255
maxval：与阈值类型配合使用的最大值，可理解为填充色，取值范围0～255
type：阈值类型

4.返回值

ret：即我们设置的阈值，此处并没有没有使用，但在自适应二值化中会使用到
dst：二值化后的像素矩阵，与原像素矩阵同规格

4.函数解释（官方）

该函数将固定级别阈值应用于单通道阵列。该函数通常用于从灰度图像中获取双层（二进制）图像（compare() 也可用于此目的）或用于去除噪声，即滤除过小或过大的像素值。该函数支持多种类型的阈值。

这里说的支持多种阈值即阈值类型的多种选取

5.五种阈值类型

由上方官方文档截图：

阈值类型	小于等于阈值的像素点	大于阈值的像素点
THRESH_BINARY	置0	置maxval
THRESH_BINARY_INV	置maxval	置0
THRESH_TRUNC	保持原样	阈值
THRESH_TOZERO	置0	保持原样
THRESH_TOZERO_INV	保持原样	置0

实验：
选取阈值为50,maxal为100
实验一：读入单通道图像矩阵
原图：
在这里插入图片描述

import cv2
img=cv2.imread('aima_gray.jpg',0)
#cv2.imshow('img',img)
##这里的ret返回的是设置的阈值，此处为50
ret1,img1=cv2.threshold(img,50,100,cv2.THRESH_BINARY)
ret2,img2=cv2.threshold(img,50,100,cv2.THRESH_BINARY_INV)
ret3,img3=cv2.threshold(img,50,100,cv2.THRESH_TRUNC)
ret4,img4=cv2.threshold(img,50,100,cv2.THRESH_TOZERO)
ret5,img5=cv2.threshold(img,50,100,cv2.THRESH_TOZERO_INV)cv2.imshow('THRESH_BINARY',img1)
cv2.imshow('THRESH_BINARY_INV',img2)
cv2.imshow('THRESH_TRUNC',img3)
cv2.imshow('THRESH_TOZERO',img4)
cv2.imshow('THRESH_TOZERO_INV',img5)
cv2.waitKey(0)

结果：（痛心，可怜的Emma Watson面目全非）
在这里插入图片描述
实验二：读入32位RGBA彩色图进行处理

.threshold() 处理彩色图像的机制说明如下：
如果是32位彩色图像，则是以RGB每个通道的值单独与阈值进行比较，按每个通道进行阈值处理，返回的是一个阈值处理后的RGB各自的值，即还是32位图像。

原图：
在这里插入图片描述
代码：

import cv2
img=cv2.imread('aima.jpg')
#cv2.imshow('img',img)ret1,img1=cv2.threshold(img,50,100,cv2.THRESH_BINARY)
ret2,img2=cv2.threshold(img,50,100,cv2.THRESH_BINARY_INV)
ret3,img3=cv2.threshold(img,50,100,cv2.THRESH_TRUNC)
ret4,img4=cv2.threshold(img,50,100,cv2.THRESH_TOZERO)
ret5,img5=cv2.threshold(img,50,100,cv2.THRESH_TOZERO_INV)#观察图像矩阵形状
print('img_size',img.shape)
print('img1_size',img1.shape)
print('img2_size',img2.shape)
print('img3_size',img3.shape)
print('img4_size',img4.shape)
print('img5_size',img5.shape)cv2.imshow('THRESH_BINARY',img1)
cv2.imshow('THRESH_BINARY_INV',img2)
cv2.imshow('THRESH_TRUNC',img3)
cv2.imshow('THRESH_TOZERO',img4)
cv2.imshow('THRESH_TOZERO_INV',img5)
print(ret1,ret2)
cv2.waitKey(0)

观察处理后图像及程序输出：
在这里插入图片描述
程序输出：处理前后图像均为三通道

观察函数是否对RGB均进行处理：
在五副处理过的图中抽取两副，选取同一可对比像素点进行对比，如选取点（187，191），观察RGB数值
如图我们可以看到，确实是对RGB三通道分别进行了处理
(再次感谢评论区这位小伙伴，感谢！)