Python使用OpenCV的阈值技术Set-2（自适应阈值）

先决条件： 使用OpenCV的简单阈值

在里面以前的帖子, 使用不同类型的阈值技术解释了简单阈值。另一种阈值技术是自适应阈值。在”简单阈值”中, 使用了全局阈值, 该全局值始终保持不变。因此, 恒定的阈值对于不同区域的光照条件变化无济于事。自适应阈值化是针对较小区域计算阈值的方法。对于照明的变化, 这导致针对不同区域的不同阈值。我们用cv2.adaptiveThreshold为了这。

语法：cv2.adaptiveThreshold(source, maxVal, 自适应方法, thresholdType, 块大小, 常数)
参数：
->源：输入图像数组(单通道, 8位或浮点数)
-> maxVal：可以分配的最大值一个像素。
-> adaptiveMethod：自适应方法决定如何计算阈值。 cv2.ADAPTIVE_THRESH_MEAN_C：阈值=(邻域值的平均值–恒定值)。换句话说, 它是一个点的blockSize×blockSize邻域的平均值减去常数。 cv2.ADAPTIVE_THRESH_GAUSSIAN_C：阈值=(邻域值的高斯加权和–常数)。换句话说, 它是点减去常量的blockSize×blockSize邻域的加权和。
-> thresholdType：要应用的阈值类型。
-> blockSize：用于计算阈值的像素邻域的大小。
->常数：从附近像素的平均值或加权和中减去的常数值。

以下是Python实现：

# Python program to illustrate 
# adaptive thresholding type on an image
       
# organizing imports 
import cv2 
import numpy as np 
   
# path to input image is specified and  
# image is loaded with imread command 
image1 = cv2.imread( 'input1.jpg' ) 
   
# cv2.cvtColor is applied over the
# image input with applied parameters
# to convert the image in grayscale 
img = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
   
# applying different thresholding 
# techniques on the input image
thresh1 = cv2.adaptiveThreshold(img, 255 , cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 199 , 5 )
  
thresh2 = cv2.adaptiveThreshold(img, 255 , cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 199 , 5 )
  
# the window showing output images
# with the corresponding thresholding 
# techniques applied to the input image
cv2.imshow( 'Adaptive Mean' , thresh1)
cv2.imshow( 'Adaptive Gaussian' , thresh2)
  
     
# De-allocate any associated memory usage  
if cv2.waitKey( 0 ) & 0xff = = 27 : 
     cv2.destroyAllWindows()

输入图像:

输出如下:

首先, 你的面试准备可通过以下方式增强你的数据结构概念：Python DS课程。