*分塊

*全域性閾值 VS 區域性閾值

 1 import cv2 as cv
 2 import numpy as np
 3 
 4 def big_image_binary(image):
 5     print(image.shape)
 6     cw = 213
 7     ch = 547
 8     h,w = image.shape[:2]
 9     gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY)
10     for row in range(0,h,ch):
11         for col in
 
 range(0,w,cw):
12             roi = gray[row:row+ch,col:col+cw]    #進行分塊
13             print(np.std(roi),np.mean(roi))
14             #全域性閾值方法
15             # ret,dst = cv.threshold(roi,127,256,cv.THRESH_BINARY|cv.THRESH_OTSU)
16             # gray[row:row + ch, col:col + cw] = dst
17 
18             #
 
 全域性閾值過濾噪點方法
19             if np.std(roi) < 20:
20                 gray[row:row + ch, col:col + cw] = 255     #塊的二維陣列平方差小於20時 將其設為255-變白
21             else:
22                 ret,dst = cv.threshold(roi,127,256,cv.THRESH_BINARY|cv.THRESH_OTSU)
23                 gray[row:row + ch, col:col + cw] = dst
 
24 
25             #區域性閾值方法
26             # dst = cv.adaptiveThreshold(roi,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,127,20)
27             # gray[row:row + ch, col:col + cw] = dst
28             # print(np.std(dst),np.mean(dst))   #np.std(dst)計算矩陣的標準差 np.mean(dst) 均值
29 
30     cv.imwrite('new_big_image3.jpg',gray)
31 
32 src = cv.imread('BigImage_Binary1.jpg')
33 # cv.namedWindow('input_image',cv.WINDOW_AUTOSIZE)
34 # cv.imshow('input_image',src)
35 
36 big_image_binary(src)
37 
38 cv.waitKey(0)
39 cv.destroyAllWindows()

原圖：

全域性閾值效果：

全域性閾值過濾掉噪點效果：【上一張圖全域性閾值右邊還有噪點  過濾後噪點消失】

高斯C方法區域性閾值效果：

補充知識點：

#np.std()  標準差 
#np.mean() 均值

>>> a = np.array([[1, 2], [3, 4]])  
>>> np.std(a) # 計算矩陣全域性標準差  
1.1180339887498949

>>> np.std(a) # 計算矩陣全域性標準差
2.5

>>> np.std(a, axis=0) # axis=0計算每一列的標準差  
array([ 1., 1.]) 
>>> np.std(a, axis=1) # 計算每一行的標準差  array([ 0.5, 0.5])