先來看看今天的結果圖
-> 此篇文章的程式碼 github
Day19_自適應圖片二值化_adaptiveThreshold.ipynb
前言
花式修圖的這個系列…
主要會講的是一些比進階再更進階的內容，
會有比較多冷門的功能，或是更難的演算法。
OpenCV 的圖片自適應二值化，產生更好效果的黑白圖片！
# 先將圖片轉為灰階
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 將圖片做模糊化，可以降噪
blur_img = cv2.medianBlur(img,5)
# 一般圖二值化(未模糊降噪)
ret, th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
# 一般圖自適應平均二值化(未模糊降噪)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,2)
# 一般圖自適應高斯二值化(未模糊降噪)
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,2)
# 一般圖二值化(有模糊降噪)
ret, th4 = cv2.threshold(blur_img,127,255,cv2.THRESH_BINARY)
# 一般圖算術平均法的自適應二值化(有模糊降噪)
th5 = cv2.adaptiveThreshold(blur_img,255,cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,2)
# 一般圖高斯加權均值法自適應二值化(有模糊降噪)
th6 = cv2.adaptiveThreshold(blur_img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,2)
什麼是 「自適應二值化」
我們先來討論什麼是 「自適應的二值化」，
一般的 「二值化」 我們只會考慮單一點的值，直接去做閥值分析，
但一張圖片的「每個鄰近的像素都是彼此有關連的」。
如果單純只針對單一個點去看，似乎失去了對整張圖相鄰點的考慮，
因此 「自適應二值化」 就是在幫助我們找到單一點與鄰近區域的關係。
「自適應二值化」的算法
「cv2.adaptiveThreshold」 能夠幫助我們將一張圖片做自適應的二值化，
自適應的二值化又分為
- 算術平均法的自適應二值化: 「cv2.ADAPTIVE_THRESH_MEAN_C」，取的是「區域平均值」
- 高斯加權均值法自適應二值化: 「cv2.ADAPTIVE_THRESH_GAUSSIAN_C」，
取的是「高斯平均值」(高斯分佈)
「cv2.adaptiveThreshold」 函數形式
cv2.adaptiveThreshold(image, 255, 自適應二值化算法, 閥值類型, 參考局部大小, 偏移量)
- image: 輸入圖片
- 自適應二值化算法: 可使用 「cv2.ADAPTIVE_THRESH_MEAN_C」 和 「cv2.ADAPTIVE_THRESH_GAUSSIAN_C」
「自適應二值化」 搭配模糊降噪，能有更好的效果
通常在做 「自適應二值化」 之前，我們都會先將圖片做模糊化，
能夠達到降噪的效果，看下圖結果的圖片應該能很明顯地分得出差別。
(文章內容中，我們使用 「cv2.medianBlur」 來做模糊降噪的示範。)
本文同步發佈在: 第 12 屆 iT 邦幫忙鐵人賽
【沒錢ps,我用OpenCV!】Day 19 - 花式修圖1，OpenCV 的圖片自適應二值化，產生更好效果的黑白圖片！cv2.adaptiveThreshold