Thresholding OpenCV Python Tutorial

Selamat Datang Di Tutorial selanjutnya pada OpenCV. Dalam tutorial ini, kita akan meliputi thresholding untuk foto dan video analisis. Ide thresholding adalah untuk lebih menyederhanakan data visual untuk analisis. Pertama, Anda dapat mengkonversi menjadi abu-abu-skala, tapi kemudian Anda harus mempertimbangkan bahwa grayscale masih memiliki setidaknya 255 nilai. Apa thresholding dapat melakukan, pada tingkat yang paling dasar, adalah mengubah segalanya menjadi putih atau hitam, berdasarkan nilai ambang batas. Katakanlah kita ingin ambang menjadi 125 (dari 255), maka segala sesuatu yang 125 dan di bawah akan dikonversi menjadi 0, atau hitam, dan segala sesuatu di atas 125 akan dikonversi ke 255, atau putih. Jika Anda mengkonversi ke grayscale seperti biasa akan, Anda akan mendapatkan kulit putih dan hitam. Jika Anda tidak mengkonversi ke grayscale, Anda akan mendapatkan gambar pengambangan, tetapi akan ada warna.

Kami akan mencakup beberapa contoh dan berbagai jenis thresholding sini untuk menggambarkan hal ini. Kami akan menggunakan gambar berikut sebagai contoh gambar, tetapi anda bisa menggunakan gambar anda sendiri :



uraian singkat dari buku yang kita buat sebagai contoh ini, bagus tentang satu ambang kekuatan . Pertama , latar belakang telah benar-benar tidak putih sama sekali , semuanya redup , tetapi juga ada yang warnanya bervariasi . Beberapa bagian yang cukup ringan untuk dengan mudah dibaca , sementara yang lain cukup gelap dan memerlukan sedikit fokus untuk membuatnya terbaca . Pertama , mari kita coba hanya threshold sederhana :

retval, threshold = cv2.threshold(img, 10, 255, cv2.THRESH_BINARY)

binary threshold atau threshold keduanya simpel dimana piksel terdiri dari 255 atau 0. Dalam banyak kasus , ini akan menjadi putih atau hitam. Tapi dapat membuatnya menjadi berwarna. Parameter pertama di sini adalah gambar . Parameter berikutnya adalah ambang batas , kita memilih 10. berikutnya adalah nilai maksimum , yang kita memilih sebagai 255. Berikutnya dan akhirnya kita memiliki jenis threshold , yang sudah kita pilih sebagai THRESH_BINARY . Biasanya , ambang batas 10 sedikit kecil. Kami memilih 10 , karena ini adalah gambar cahaya rendah , jadi kami memilih nomor yang rendah . Biasanya gambar cahayanya tinggi 125-150 mungkin akan bekerja terbaik.




import cv2
import numpy as np

img = cv2.imread('bookpage.jpg')
retval, threshold = cv2.threshold(img, 12, 255, cv2.THRESH_BINARY)
cv2.imshow('original',img)
cv2.imshow('threshold',threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()

Tampilan Hasil




gambar sekarang sedikit lebih baik untuk membaca, tapi masih sedikit berantakan . Visual , lebih baik , tetapi menggunakan sebuah program untuk menganalisis ini masih akan cukup sulit . Mari kita lihat apakah kita dapat menyederhanakan lebih lanjut .

Pertama , mari kita grayscale gambar , dan kemudian melakukan ambang batas :

import cv2
import numpy as np

grayscaled = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
retval, threshold = cv2.threshold(grayscaled, 10, 255, cv2.THRESH_BINARY)
cv2.imshow('original',img)
cv2.imshow('threshold',threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()




Lebih sederhana , ya, tapi kami masih kehilangan banyak konteks di sini . Selanjutnya , kita dapat mencoba thresholding adaptif , yang akan mencoba untuk bervariasi ambang batas, dan semoga gambar tidak melengkung

import cv2
import numpy as np

th = cv2.adaptiveThreshold(grayscaled, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 115, 1)
cv2.imshow('original',img)
cv2.imshow('Adaptive threshold',th)
cv2.waitKey(0)
cv2.destroyAllWindows()






Ada versi lain dari thresholding yang satu dapat lakukan , disebut ambang Otsu ini .

retval2,threshold2 = cv2.threshold(grayscaled,125,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
cv2.imshow('original',img)
cv2.imshow('Otsu threshold',threshold2)
cv2.waitKey(0)
cv2.destroyAllWindows()