1. 介绍
灰度切割：增强特定范围的对比度，突出图像中特定范围的亮度（灰度级分层也叫灰度切割）
实现灰度切割的方法有很多种，但基本的方法就两种，其余的方法都是这两个方法的变体
- 将感兴趣范围内的灰度值全部映射成为一个值（如白色），将其余的灰度值显示为另一个颜色（如黑色），产生一个二值图像
- 将感兴趣的灰度值变亮，保持其余的灰度值不变
对应的映射函数为：
灰度切割的特殊使用：阈值处理
将感兴趣的物体从背景中分离出来，也叫二值化处理，是第一种方法的变体
2. 灰度切割代码实现
这次没有采用for循环的方式去遍历每个像素点
x[:,:] > a 代表x所有行所有列中大于a的点的位置会为True，再将结果传入自身的坐标中就能找到满足两个阈值中间的点，将这些点替换为255即可
import cv2
import numpy as np
def transform1(x):
a , b = 150 , 240 # 定义两个阈值，中间部分变换为255
dst = x.copy()
dst[(x[:,:] >= a) & (x[:,:] <= b)] = 255 # 中间变换为255
dst[(x[:,:] < a) | (x[:,:] > b)] = 0 # 其余的变换为0
return dst
def transform2(x):
a , b = 150 , 240 # 定义两个阈值，中间部分变换为255
dst = x.copy()
dst[(x[:,:] >= a) & (x[:,:] <= b)] = 255 # 中间变换255，其余的不变
return dst
gray = cv2.imread('./img.png',0)
dst1 = transform1(gray)
dst2 = transform2(gray)
cv2.imshow('img',np.hstack((gray,dst1,dst2)))
cv2.waitKey()
cv2.destroyAllWindows()输出结果
3. 阈值处理
灰度切割的特殊使用是阈值处理，opencv中包含了threshold函数对图像进行阈值处理
语法如下：retval，dst = cv2.threshold(src , thresh , maxval , type)
ret val（return value）：处理时采用的阈值大小
dst ：处理后的图像
src ： 处理前的图像
maxval（max val）：产生二值图像后，阈值处理后输出的值，另一个默认是0。例如小于150的输出0，其余的就是这个maxval（一般是255）
type ： 阈值处理的类型，有如下的几种类型
| type | 含义 |
| cv2.THRESH_BINARY | 二值化阈值处理：超出thresh，为255；否则为0 |
| cv2.THRESH_BINARY_INV | 反二值化阈值处理：超出thresh，为0；否则为255 |
| cv2.THRESH_TOZERO | 低于阈值零处理：低于thresh，为0；否则灰度值不变 |
| cv2.THRESH_TOZERO_INV | 超出阈值零处理：低于thresh，为255；否则为0 |
| cv2.THRESH_TRUNC(truncate截断) | 截断阈值处理：超过thresh，为thresh；否则不变 |
代码：
import cv2
import numpy as np
a = np.arange(0,256).reshape(1,-1).astype(np.uint8) # 0-255
img = cv2.resize(a,(800,100),interpolation=cv2.INTER_AREA) # 创建渐变图像
ret1,img1 = cv2.threshold(img,200,255,cv2.THRESH_BINARY) # 二值化阈值处理
ret2,img2 = cv2.threshold(img,200,255,cv2.THRESH_BINARY_INV) # 反二值化阈值处理
ret3,img3 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO) # 低于阈值零处理
ret4,img4 = cv2.threshold(img,200,255,cv2.THRESH_TOZERO_INV) # 超出阈值零处理
ret5,img5 = cv2.threshold(img,200,255,cv2.THRESH_TRUNC) # 截断阈值处理
cv2.imshow('img',np.vstack((img,img1,img2,img3,img4,img5)))
cv2.waitKey()
cv2.destroyAllWindows()处理结果：
到此这篇关于Python灰度变换中灰度切割分析实现的文章就介绍到这了,更多相关Python灰度切割内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！