[python-opencv]超大图像二值化方法

*分块

*全局阈值 VS 局部阈值

import cv2 as cv
import numpy as np

def big_image_binary(image):
    print(image.shape)
    cw = 213
    ch = 547
    h,w = image.shape[:2]
    gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    for row in range(0,h,ch):
        for col in range(0,w,cw):
            roi = gray[row:row+ch,col:col+cw]    #进行分块
            print(np.std(roi),np.mean(roi))
            #全局阈值方法
            # ret,dst = cv.threshold(roi,127,256,cv.THRESH_BINARY|cv.THRESH_OTSU)
            # gray[row:row + ch, col:col + cw] = dst

            # 全局阈值过滤噪点方法
            if np.std(roi) < 20:
                gray[row:row + ch, col:col + cw] = 255     #块的二维数组平方差小于20时 将其设为255-变白
            else:
                ret,dst = cv.threshold(roi,127,256,cv.THRESH_BINARY|cv.THRESH_OTSU)
                gray[row:row + ch, col:col + cw] = dst

            #局部阈值方法
            # dst = cv.adaptiveThreshold(roi,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,127,20)
            # gray[row:row + ch, col:col + cw] = dst
            # print(np.std(dst),np.mean(dst))   #np.std(dst)计算矩阵的标准差 np.mean(dst) 均值

    cv.imwrite('new_big_image3.jpg',gray)

src = cv.imread('BigImage_Binary1.jpg')
# cv.namedWindow('input_image',cv.WINDOW_AUTOSIZE)
# cv.imshow('input_image',src)

big_image_binary(src)

cv.waitKey(0)
cv.destroyAllWindows()

原图：

 

全局阈值效果：

 

全局阈值过滤掉噪点效果：【上一张图全局阈值右边还有噪点  过滤后噪点消失】

 

高斯C方法局部阈值效果：

 

补充知识点：

#np.std()  标准差 
#np.mean() 均值

>>> a = np.array([[1, 2], [3, 4]])  
>>> np.std(a) # 计算矩阵全局标准差  
1.1180339887498949

>>> np.std(a) # 计算矩阵全局标准差
2.5

>>> np.std(a, axis=0) # axis=0计算每一列的标准差  
array([ 1., 1.]) 
>>> np.std(a, axis=1) # 计算每一行的标准差  array([ 0.5, 0.5])