Opencv二值化的詳細介紹

一、 Opencv二值化函數

Opencv二值化是圖像處理中的重要方法之一。它將一副灰度圖像轉換為二值圖像，使每個像素只有兩個可能的值：0（黑色）和255（白色）。Opencv函數cv::threshold()是實現二值化的關鍵函數。

    cv.threshold(src, dst, thresh, maxval, type)

參數說明：src為原始圖像，dst為輸出圖像，thresh是閾值，maxval是輸出圖像中的最大值，type是二值化的類型。

二、 Opencv二值化尖銳

在進行二值化時，有些情況下需要盡量減小圖像的噪點並保留邊緣信息。這種情況下可以使用Otsu二值化方法或者自適應閾值方法如cv::adaptiveThreshold()。

其中，Otsu二值化方法在原始圖像中找到一個閾值，使得各類之間的方差最大。它不僅可以通過cv::threshold()函數實現，還可以通過cv::threshold()函數的cv::THRESH_OTSU選項實現。

而自適應閾值是基於圖像局部區域的灰度值計算閾值。它可以適應不同光照條件下的圖像。其函數定義如下：

    cv.adaptiveThreshold(src, dst, maxValue, adaptiveMethod, thresholdType, blockSize, C)

三、 Opencv二值化邊緣圖形

在邊緣檢測時，可以先對圖像進行二值化處理，以使邊緣更加明顯。其中最常用的二值化方法為自動閾值二值化，比如Otsu二值化方法。如果要查找對象的輪廓，可以使用cv::findContours()函數。

    cv.findContours(binary_image, contours, hierarchy, mode, method, offset)

參數說明：binary_image是二值圖像，contours是向量列表（每個元素存儲一個包含對象邊界點的向量），hierarchy是可選輸出向量，mode是查找輪廓的模式，method是表示輪廓的近似方法，offset是輪廓坐標的偏移量。

四、 Opencv二值化圖像

二值圖像在處理數字、字母或其他形狀的字元時非常有用。如果目標是從圖像中提取這些字元，則需要先將圖像轉換為二進位圖像（也稱為二值圖像）。可以通過setThreshold()函數手動設置閾值。在使用該函數時，需要先將圖像灰度化，然後通過cv::threshold()函數進行二值化處理。

    img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    ret,thresh_img = cv.threshold(img_gray, 100, 255, cv.THRESH_BINARY) 

五、 Opencv二值化演算法

Opencv支持的二值化演算法有三種：全局閾值，自適應閾值和Otsu閾值。其中，全局閾值會針對整幅圖像計算一個固定閾值，而自適應閾值會基於輸入圖像的局部區域計算閾值。Otsu閾值會自動選擇一合適的閾值，以最合適的方式分離背景和前景。

六、 Opencv二值化代碼

下面是一段Opencv二值化的示例代碼：

    img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    ret,thresh_img = cv.threshold(img_gray, 100, 255, cv.THRESH_BINARY) 
    contours, hierarchy = cv.findContours(thresh_img,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)

七、 Opencv二值化閾值怎麼設置

Opencv中二值化的閾值可以通過直方圖和圖像的處理結果來調整。通常，可以在試驗階段手動調整閾值值，直到取得最優結果。然而，設置閾值的關鍵點是要理解二值化背後的原理，明智地選擇合適的方法極其重要。常見的選擇方法有以下兩種：

1）Otsu閾值：根據輸入圖像自動計算合適的閾值

    ret,thresh_img = cv.threshold(img_gray,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

2）手動選擇：根據實驗觀察，可以手動選擇最佳閾值

    ret,thresh_img = cv.threshold(img_gray, threshold_value, max_value, threshold_type)

八、 Opencv二值化文字提取

二值化在文字圖像處理中是重要的一步。文字二值化的目標是將文字上的線條更清楚地分離開來。可以使用Opencv的二值化方法進行文字提取。下面是一個文字提取的示例代碼：

    img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    blurred_img = cv.GaussianBlur(img_gray, (5,5), 0)
    threshold_image = cv.adaptiveThreshold(blurred_img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,\
                                           cv.THRESH_BINARY,11,2)
    contours, hierarchy = cv.findContours(threshold_image,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)

文字提取需要進行多次處理，比如先進行圖像模糊等預處理操作。最後再進行二值化處理時，可以選擇自適應或Otsu等方法。此外，文字提取的關鍵是檢測和捕獲文字輪廓。這可以使用findContours()函數實現。