python二值图像

A. python怎么用PIL模块处理BMP图像 二值化

Pillow 提供了一个 .load() 方法，用来处理像素。图片嘛，当然是二维的，有宽和高的。

pixels = image.load()
for x in ramge(image.width):
for y in range(image.height):
pixsels[x, y] = 255 if pixsels[x, y] > 125 else 0

当然了，只是最简单的二值化的话，直接 image.convert('1') 就可以了 :-)

B. Python视觉识别--OpenCV开闭操作\分水岭算法(九)

闭操作：
1、图像形态学的重要操作之一，基于膨胀与腐蚀操作组合形成的
2、主要是应用在二值图像分析中，灰度图像也可以
3、开操作=膨胀+腐蚀，输入图像+结构元素
开操作：
1、图像形态学的重要操作之一，基于膨胀与腐蚀操作组合形成的
2、主要是应用在二值图像分析中，灰度图像也可以
3、开操作=腐蚀+膨胀，输入图像+结构元素
开操作与闭操作的区别是：膨胀与腐蚀的顺序
开操作作用：消除图像中小的干扰区域
闭操作作用：填充小的封闭区域

C. python如何实现二值

• 打开Python的shell界面，如图所示。

  

D. python opencv身份证灰度图二值化应该怎么处理

图像的灰度处理：
CV_LOAD_IMAGE_GRAYSCALE，这是最简单之间的办法，在加载图像时直接处理
IplImage*
Igray=
cvLoadImage
("test.jpg",CV_LOAD_IMAGE_GRAYSCALE);
得到的图像就是单通道的，也能够用这个函数：CVAPI(void)
cvCvtColor
(
const
CvArr*
src,
CvArr*
dst,
int
code
);
code=CV_BGR2GRAY;
opencv还提供了非常多方式，我这边就不一一举例了。

E. 利用 opencv实现图像自适应二值化 --python

阈值化：给定一个数组和一个与之，然后根据数组中的每个元素的值，是高于还是低于阈值而进行一些操作。如果像素值大于阈值，则分配给它一个值(如白色的)，否则它被分配给另一个值(如黑色)。

此为固定阈值的事例。具体效果如下：

函数中四个参数分别是原图像、阈值、最大值、阈值类型
阈值类型一般分为五种：
cv2.THRESH_BINARY——大于阈值的部分像素值变为最大值，其他变为0
cv2.THRESH_BINARY_INV——大于阈值的部分变为0，其他部分变为最大值
cv2.THRESH_TRUNC——大于阈值的部分变为阈值，其余部分不变
cv2.THRESH_TOZERO——大于阈值的部分不变，其余部分变为0
cv2.THRESH_TOZERO_INV——大于阈值的部分变为0，其余部分不变

自适芦团应阈值缓中是根据图像上的每一个小区域计算与其对应的阈值，因此在同一幅图像上采用的是不同的阈值，从而能使我们在亮度 不同的情况下得到更好的结果。

th2为算术平均扰哗山法的自适应二值化
th3为高斯加权均值法自适应二值化
结果如下：

F. 为什么 二值图像 全黑 python

图像祥此的细化主要是针对二值图而言所谓骨架，可以理解为埋宴冲图像的中轴，一个长方形的骨架，是它的长方向上的中轴线，圆的骨架是它的圆心，直线弯歼的骨架是它自身，孤立点的骨架也是自身。

G. 如何用python取图片轮廓

1、查找轮廓（find_contours)

measure模块中的find_contours()函数，可用来检测二值图像的边缘慧游轮廓。

函数原型为：

skimage.measure.find_contours(array,level)

array: 一个二值数组图像

level: 在图像中查找轮廓的级别值

返回轮廓列表集合，可用for循环取出每一条轮廓。

例1：

importnumpyasnp
importmatplotlib.pyplotasplt
fromskimageimportmeasure,draw

#生成二值测试图像
img=np.zeros([100,100])
img[20:40,60:80]=1#矩形
rr,cc=draw.circle(60,60,10)#小圆
rr1,cc1=draw.circle(20,30,15)#大圆
img[rr,cc]=1
img[rr1,cc1]=1

#检测所有图形的轮廓
contours=measure.find_contours(img,0.5)

#绘制轮廓前陵销
fig,(ax0,ax1)=plt.subplots(1,2,figsize=(8,8))
ax0.imshow(img,plt.cm.gray)
ax1.imshow(img,plt.cm.gray)
forn,contour汪则inenumerate(contours):
ax1.plot(contour[:,1],contour[:,0],linewidth=2)
ax1.axis('image')
ax1.set_xticks([])
ax1.set_yticks([])
plt.show()

结果如下：不同的轮廓用不同的颜色显示