多个域名绑定同一网站,企业网站优化设计应该把什么放在首位,最新楼盘价格走势图,网站的域名是什么怎么理解阈值处理? 阈值处理#xff08;Thresholding#xff09;是一种常用的图像处理技术#xff0c;在机器学习和计算机视觉中经常被用于二值化图像或二分类任务。它基于设定一个阈值来将像素值进行分类#xff0c;将像素值大于或小于阈值的部分分为两个不同的类别…怎么理解阈值处理? 阈值处理Thresholding是一种常用的图像处理技术在机器学习和计算机视觉中经常被用于二值化图像或二分类任务。它基于设定一个阈值来将像素值进行分类将像素值大于或小于阈值的部分分为两个不同的类别从而得到二值化的图像或进行二分类预测。 在图像处理中的阈值处理
图像二值化将灰度图像转换为二值图像其中像素值大于或等于阈值的部分设为一个值通常为255而小于阈值的部分设为另一个值通常为0。 自适应阈值处理根据图像局部的灰度特点来自动调整不同区域的阈值适应图像的不同部分。
在二分类任务中的阈值处理
对于分类模型的输出概率将模型输出的概率值与阈值进行比较大于阈值的样本被划分为一个类别小于阈值的样本被划分为另一个类别。 对于回归模型的输出将模型输出的连续值与阈值进行比较大于阈值的样本被划分为一个类别小于阈值的样本被划分为另一个类别。
阈值处理的应用场景
图像二值化将灰度图像转换为二值图像常用于图像分割、边缘检测、形态学运算等图像处理任务。自适应阈值处理根据图像局部的灰度特点来自动调整不同区域的阈值适应图像的不同部分。适用于光照不均匀或对比度变化较大的图像。目标检测中的二分类在目标检测任务中通常需要将模型输出的概率值转换为二分类结果判断目标是否存在。人脸识别和人脸表情分析在人脸图像处理中可以通过阈值处理来检测和分析人脸的不同表情或情绪。图像分割将图像分为多个区域常用于图像分析、目标提取和图像理解等任务。文字识别和OCR光学字符识别在文字识别任务中可以通过阈值处理将图像中的文字部分提取出来便于后续识别过程。遥感图像处理在遥感图像中阈值处理可以用于土地覆盖分类、植被检测等应用。信号处理在信号处理中可以通过阈值处理来检测信号的起始点或结束点以及滤除噪声。异常检测在异常检测任务中可以使用阈值处理来识别异常点或异常事件。机器学习中的二分类问题在机器学习中对于二分类任务可以通过设定阈值来将模型输出的概率值转换为类别标签。
OpenCV 提供了函数 cv2.threshold()和函数 cv2.adaptiveThreshold()用于实现阈值处理
threshold 函数
OpenCV 3.0 使用 cv2.threshold()函数进行阈值化处理该函数的语法格式为
retval, dst cv2.threshold( src, thresh, maxval, type )式中 retval 代表返回的阈值。 dst 代表阈值分割结果图像与原始图像具有相同的大小和类型。 src 代表要进行阈值分割的图像可以是多通道的8 位或 32 位浮点型数值。 thresh 代表要设定的阈值。 maxval 代表当 type 参数为 THRESH_BINARY 或者 THRESH_BINARY_INV 类型时需要设定的最大值。 type 代表阈值分割的类型具体类型值如表 6-1 所示。 上述公式相对抽象可以将其可视化具体如图 6-2 所示。 二值化阈值处理cv2.THRESH_BINARY
二值化阈值处理会将原始图像处理为仅有两个值的二值图像其示意图如图 6-3 所示。其 针对像素点的处理方式为
对于灰度值大于阈值thresh的像素点将其灰度值设定为最大值。对于灰度值小于或等于阈值thresh的像素点将其灰度值设定为 0 如果使用表达式表示其目标值的产生规则为 式中thresh是选定的特定阈值。
在 8 位图像中最大值是 255。因此在对 8 位灰度图像进行二值化时如果将阈值设定 为 127那么
所有大于 127 的像素点会被处理为 255。其余值会被处理为 0。
为了方便在后续说明中我们都以 8 位图像为例即像素值最大值为 255。
实验:使用函数 cv2.threshold()对数组进行二值化阈值处理观察处理结果
import cv2
import numpy as np
imgnp.random.randint(0,256,size[4,5],dtypenp.uint8)t,rstcv2.threshold(img,127,255,cv2.THRESH_BINARY)
print(img\n,img)
print(t,t)
print(rst\n,rst)运行结果:
img[[235 26 81 7 121][ 81 82 15 64 40][156 250 246 30 226][136 202 129 243 65]]
t 127.0
rst[[255 0 0 0 0][ 0 0 0 0 0][255 255 255 0 255][255 255 255 255 0]]实验2:使用函数 cv2.threshold()对图像进行二值化阈值处理
import cv2
imgcv2.imread(lena.png)
#将图像转换为灰度图像
imgcv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
t,rstcv2.threshold(img,127,255,cv2.THRESH_BINARY)
cv2.imshow(img,img)
cv2.imshow(rst,rst)
cv2.waitKey()
cv2.destroyAllWindows()运行结果: 左图是原始图像右图是二值化阈值处理结果。
反二值化阈值处理cv2.THRESH_BINARY_INV
反二值化阈值处理的结果也是仅有两个值的二值图像与二值化阈值处理的区别在于二 者对像素值的处理方式不同。反二值化阈值处理针对像素点的处理方式为 对于灰度值大于阈值的像素点将其值设定为 0。 对于灰度值小于或等于阈值的像素点将其值设定为 255。 反二值化阈值处理方式的示意图如图 6-5 所示。 如果使用表达式来表示其目标值的产生规则为 式中thresh 是选定的阈值.
实验3:使用函数 cv2.threshold()对数组进行反二值化阈值处理
import cv2
import numpy as np
imgnp.random.randint(0,256,size[4,5],dtypenp.uint8)
t,rstcv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
print(img\n,img)
print(t,t)
print(rst\n,rst)运行程序结果如下所示
img
[[ 56 64 150 48 41]
[108 165 112 213 110]
[122 244 10 213 46]
[247 30 90 0 26]]
t 127.0
rst
[[255 255 0 255 255]
[255 0 255 0 255]
[255 0 255 0 255]
[ 0 255 255 255 255]]大于127的置为0,小于127的置为255
后面还有
截断阈值化处理cv2.THRESH_TRUNC 超阈值零处理cv2.THRESH_TOZERO_INV 低阈值零处理cv2.THRESH_TOZERO
感兴趣的同学自己去多实操几遍
