二值化

形态学基本概念 基本思想：用一定形态的结构元素去度量和提取图像中的对应形状，达到分析知识的目的。可用于图像处理的各个方面，包括图像分割、边界检测、特征提取。 结构元素：形态学变换中的基本元素，使为了探测图像的某种结构信息而设计的特定形状和尺寸的图像，称为收集图像结构信息的探针。 结构元素有多种类型：如圆形、方形、线型等，可携带知识（形态、大小、灰度和色度信息）来探测、研究图像的结构特点。 形态学运算包括：二值化腐蚀和膨胀、二值化开闭运算、骨架抽取、击中击不中变换等。 形态学四个基本算子：膨胀，腐蚀、开启和闭合组成，这些基本运算还可以推导和组合成各种数学形态学实用算法。 腐蚀运算 腐蚀运算思路 ：定义结构元素(与模板类似)，结构元素在整幅图像中移动，移动到每个像素点上，只有结构元素与图像上对应像素点的像素值全部相等时，保留这个像素点的值。 腐蚀运算作用 ：消除物体边界点，使边界点向内部收缩，可以把小于结构元素的物体去除。选取不同大小的结构元素，去除不同大小的物体。如两个物体间有细小的连通，通过腐蚀可以将两个物体分开。 腐蚀运算 ： 腐蚀运算示意图 ： 基本方法： 通常拖到结构元素在X域移动，在每一个位置上，当结构元素B在中心平移到X图像上的某优点(x,y)。 如果结构元素内的每一个像素都与以(x,y)为中心的相同邻域中对应像素完全相同，那么就保留(x,y)像素点。

void adaptiveThreshold ( InputArray src , OutputArray dst , double maxValue , int adaptiveMethod , int thresholdType , int blockSize , double C ); 函数功能 对一幅灰度图像进行二值化，该函数支持就地操作，该函数用下面的公式对一幅灰度图像进行二值化： (1)正向二值化，THRESH_BINARY (2)反向二值化，THRESH_BINARY_INV 参数详解 第一个参数，InputArray src，原图，即输入图像，是一个8位单通道的图像； 第二个参数，OutputArray dst，目标图像，与原图像具有同样的尺寸与类型； 第三个参数，double maxValue，分配给满足条件的像素的非零值； 第四个参数，int adaptiveMethod，自适应阈值的方法，通常有以下几种方法； ADAPTIVE_THRESH_MEAN_C，阈值T(x,y)是(x,y)减去C的Blocksize×Blocksize邻域的平均值。 ADAPTIVE_THRESH_GAUSSIAN_C ，阈值T(x，y)是(x，y)减去C的Blocksize×Blocksize邻域的加权和(与高斯相关)，默认sigma(标准差)用于指定的Blocksize

#include <opencv2/opencv.hpp> #include #include using namespace std; using namespace cv; int main() { //将图片二值化后提取像素信息保存至txt文档中 string filename = "path.png";//图片路径 Mat src = imread(filename); cvtColor(src, src, CV_BGR2GRAY); imshow("原图", src); fstream file("path.txt", ios::out);//保存像素信息的txt文本路径 stringstream ss; string data0; for (int nrows = 0; nrows < src.rows; nrows++) { for (int ncols = 0; ncols < src.cols; ncols++) { int gray = src.at<uchar>(nrows, ncols); ss << hex << gray; ss >> data0; ss.clear(); file << data0 << " "; } file << endl; } file.close(); //从txt文档中读取图片像素信息恢复成灰度图并保存 fstream

python版本：3.6.5 依赖模块：PIL、tesserocr。 　　需要说明的是，在windows系统上PowerShell通过PIP3 install tesserocr安装验证码识别模块时，需要先安装 Tesseract （ 一款由HP实验室开发由Google维护的开源 OCR （Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强。 ）可执行文件。 　　以中国知网的注册页面为例，我们常被要求输入这类简单的字母组成，背景含很多杂线的验证码，如下图所示： 我们对验证码另存为到本地代码所在目录，取名：test.png. 下图是直接用对应模块识别的代码示例： import tesserocr from PIL import Image image=Image.open(‘test.png‘) image.show() #可以打印出图片，供预览 print(tesserocr.image_to_text(image)) 　　 　　原始图片尺寸较小，极少情况下如果无法正常识别，可以借助图片处理工具PIL模块进行图片等比例放大后保存。此例中直接运行上述代码，结果为“VHIHI”，即使是肉眼可见较为清晰的验证码

https://blog.csdn.net/sinat_21258931/article/details/61418681#commentsedit threshold：固定阈值二值化， ret, dst = cv2.threshold(src, thresh, maxval, type ) 1 src： 输入图，只能输入单通道图像，通常来说为灰度图 dst： 输出图 thresh： 阈值 maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值 type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV 官方文档的示例代码： import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread( 'gradient.png' , 0 ) ret,thresh1 = cv2.threshold(img, 127 , 255 ,cv2.THRESH_BINARY) ret,thresh2 = cv2.threshold(img, 127 , 255 ,cv2.THRESH

一般所说的黑白图片，其实在黑白之间还有深浅不一的各种灰色。所谓二值化，即是将这样的图转为仅有纯黑和纯白两种颜色。这在图像处理中有不少应用，博客园上有不少文章讲解得很详细。我所关注的仅是一种应用。本来白纸黑字的内容，因为拍摄的关系，而带上其他颜色，或是年代久远，纸张泛黄，造成内容的对比度下降，有时甚至难以分辨。此时，可以应用二值化算法，将颜色恢复为黑白两纯色，使内容更为清淅。 在各种算法中，我个人觉得 Wolf和Jolion的方法 较好，并且他们提供了源代码。我将他们的方法用Javascript实现，写成一个简单的页面，见此 链接 。将图片拖入框中作处理，下方的滑条调整k值。k值具体意义可阅读论文，大致上，较小的k值会使更多的部分被判定为黑色。 来源：博客园 作者： 枣木夹子 链接：https://www.cnblogs.com/wildabc/p/8335319.html

---恢复内容开始--- 素描作为一种近乎完美的表现手法有其独特的魅力，随着数字技术的发展，素描早已不再是专业绘画师的专利，今天这篇文章就来讲一讲如何使用python批量获取小姐姐素描画像。文章共分两部分: 第一部分介绍两种使用python生成素描画的思路 第二部分介绍如何批量获取素描画 获取素描图的两个思路 本部分介绍的两个思路都是基于opencv来实现，不涉及深度学习相关内容。基本思想是读入一张照片图，然后通过各种变换转化成素描图。为了演示方便，我们先找来一张小姐姐的照片作为实验素材。 漫画风格 先来说第一种方法，这种方法的核心思想是利用了名为“阈值化”的技术，这种技术是基于图像中物体与背景之间的灰度差异，而进行的像素级别的分割。 如果想要把一张图片转化为只呈现黑色和白色的素描图，就需要对其进行二值化操作，opencv中提供了两种二值化操作方法：threshold()和adaptiveThreshold()。相比threshold()，adaptiveThreshold()能够根据图像不同区域亮度分布进行局部自动调节，因此被称为自适应二值化。下面这幅图就是对彩色图片进行二值化操作后的效果。 上面提到的概念可能比较晦涩，不理解也没有关系，下面我们重点讲讲怎么进行实际操作。 第一步，读入图片并转化为灰度图。这一步算是常规操作了，相信使用过opencv的同学都写过类似的代码。 img

前言 这里分两个程序来完成，第一个程序训练并且保存字体识别模型；第二个程序是输入自己的手写数字在纸上的照片并处理然后识别。minist跟tensorflow官网的介绍大同小易，这里只简要介绍。 背景 神经网络是一种仿生的结果，通过模仿神经元对人类的储存记忆的作用，演化成为利用样本训练模型，并用模型预测新的样本。 模型训练和保存 minst.py，完整可视化代码见 from __future__ import absolute_import, division, print_function, unicode_literals # 用matplotlib可以画图 import matplotlib.pyplot as plt import numpy as np # from tensorflow.examples.tutorials.mnist import input_data # TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras # old_v = tf.logging.get_verbosity() # tf.logging.set_verbosity(tf.logging.ERROR) print(tf.__version__)# tensorflow版本 # 显示函数

图像的水平与垂直投影 作用：二值图像或明显特征的灰度图定位或分割前景与背景，经常用到投影法。 水平方向投影，将图像数组进行列求和； 垂直方向投影，将图像数组进行行求和； 如汽车牌照的定位：先对汽车图像二值化，然后水平投影，找出牌照的上下位置和高度，再对上次定位的牌照图像竖直投影，找出牌照有数字部分的总宽度，切割出来。再进行投影，每个字符的切割的外接矩形找到了，每个字符切割出来，提取特征，比如黑像素所占份数5X5格，和每个数的模版库进行匹配。进行细化，使数据量更规范更统一了，然后牌照标准化。 水平投影的实现步骤： 1.图像二值化，物体为黑，背景为白 2.循环各行，依次判断每一列的像素值是否为黑，统计该行所有黑像素的个数。设该行共有M个黑像素，则把该行从第一列到第M列置为黑。 垂直投影的实现步骤： 1.图像二值化，物体为黑，背景为白 2.循环各列，依次判断每一行的像素值是否为黑，统计该列所有黑像素的个数。设该列共有M个黑像素，则把第一行到第行置为黑。 来源： https://www.cnblogs.com/-wenli/p/11723185.html

二值化图像区域标记 在二值化图像中，相互联结的黑像素集合成为一个（黑）区域，通过对图像内每个区域进行标记操作，求得区域的数目。 处理前的f是二值的，像素要么为0（黑），要么为255（白） 处理后每个像素的值即为其所处理区域的标号（1，2，3，。。。） 标记规则 1.初始化标记为0，从左到右，从上到下逐个像素扫描 2.若该点为物体颜色，则继续判断该点的左上、正上，右上及左前点是否都不为物体，则标号加1，若该点为背景色，则跳过。 3.优先级依次为右上点，正上点，左上点及左前点。右上点的优先级最高，左前点的优先级最低。 4.继续遍历图像，若右上点为物体，则该点标记上与右上点相同的值。 5.若右上不为物体，则判断正上点，左上点及左前点 特殊情况：当前点的右上点及左前点为不同标记，正上点和左上点不为物体，则当前点标记同右上点置相同的值，把所有标记与左前点相同的像素值都标记成与右上点同样的值。 如图下面的黑点，如果出现上面的特殊情况，可以这样处理： int sign_count = 0; int sum[5] = {0}; int sign_temp; for(int y = 1; y<120 - 1;y++) for(int x = 1; x<180 - 1;x++) { //只有当像素点为物体，才进行下面的判断。 if(img[y][x] == 0) { //解决特殊情况 if(img[y