Python二值化图像黑色减去白色

根据提供的引用内容，二值化图像是将图像转换为只有黑色和白色两种颜色的图像。因此，黑色减去白色的结果是一个负数，没有实际意义。

如果您想要将黑色和白色的像素值进行反转，即黑色变为白色，白色变为黑色，可以使用OpenCV库中的bitwise_not函数。具体实现方法如下：

import cv2

# 读取图像
img = cv2.imread('image.jpg', 0)

# 二值化图像
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 反转黑白像素值
thresh_not = cv2.bitwise_not(thresh)

# 显示图像
cv2.imshow('original', img)
cv2.imshow('binary', thresh)
cv2.imshow('not', thresh_not)
cv2.waitKey(0)
cv2.destroyAllWindows()

上述代码中，首先使用cv2.threshold函数将图像二值化，然后使用cv2.bitwise_not函数将黑色和白色像素值进行反转。最后使用cv2.imshow函数显示原始图像、二值化图像和反转后的图像。

相关问题

python 二值化

Python二值化是将图像转换为只有两种灰度值（一般是黑色和白色）的过程。有多种方法可以实现图像的二值化，其中包括使用固定阈值、自适应阈值等方法。

固定阈值二值化是最简单的一种方法，通过选取一个固定的阈值来将图像分割为黑白两部分。可以使用cv2.threshold函数来实现固定阈值二值化，代码如下：

image = cv2.imread(input_img_file)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, threshold_value, max_value, cv2.THRESH_BINARY)

其中，input_img_file是输入图像的文件路径，threshold_value是阈值，max_value是像素点的最大值（一般为255）。这段代码将读取输入图像并将其转换为灰度图像，在灰度图像上应用固定阈值二值化，并将结果存储在binary变量中。

自适应阈值二值化是根据图像不同区域的灰度特性来确定阈值的一种方法。可以使用cv2.adaptiveThreshold函数来实现自适应阈值二值化，代码如下：

image = cv2.imread(input_img_file)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
binary = cv2.adaptiveThreshold(gray, max_value, adaptive_method, threshold_type, block_size, constant)

其中，input_img_file是输入图像的文件路径，max_value是像素点的最大值（一般为255），adaptive_method是自适应阈值计算方法，threshold_type是阈值类型，block_size是用于计算阈值的像素邻域大小，constant是从计算的平均值或加权平均值中减去的常数。

以上是Python中实现二值化的两种方法，根据实际需求选择合适的方法来进行二值化处理。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [Python图像的二值化](https://blog.csdn.net/ljx1400052550/article/details/114735364)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *3* [Python cv2 (二) 图像的灰度化 二值化 直方图 mask|均衡](https://blog.csdn.net/sdgpcc2000/article/details/121503294)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]

Python生成二值化算法

Python中有多种实现二值化的算法，这里介绍其中两种常见的方法：全局阈值二值化和自适应阈值二值化。

1. 全局阈值二值化

全局阈值二值化是将图像中所有的像素点根据一个固定的阈值进行二值化的方法。其实现步骤如下：

import cv2

# 读取灰度图像
img = cv2.imread('lena.png', 0)

# 设定阈值
threshold = 127

# 将像素点根据阈值进行二值化处理
ret, binary = cv2.threshold(img, threshold, 255, cv2.THRESH_BINARY)

# 显示二值化后的图像
cv2.imshow('binary', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中`cv2.threshold`函数的参数说明如下：

- `src`：输入图像，必须为灰度图像；
- `thresh`：设定的阈值，一般为0~255之间的整数；
- `maxval`：二值化后像素点的最大值，一般为255；
- `type`：二值化的算法类型，常见的有`cv2.THRESH_BINARY`和`cv2.THRESH_BINARY_INV`。

2. 自适应阈值二值化

自适应阈值二值化是将图像中的每个像素根据其周围像素的灰度值动态调整阈值进行二值化的方法。其实现步骤如下：

import cv2

# 读取灰度图像
img = cv2.imread('lena.png', 0)

# 自适应阈值二值化处理
binary = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

# 显示二值化后的图像
cv2.imshow('binary', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中`cv2.adaptiveThreshold`函数的参数说明如下：

- `src`：输入图像，必须为灰度图像；
- `maxval`：二值化后像素点的最大值，一般为255；
- `adaptiveMethod`：自适应阈值算法类型，常见的有`cv2.ADAPTIVE_THRESH_MEAN_C`和`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`；
- `thresholdType`：二值化的算法类型，常见的有`cv2.THRESH_BINARY`和`cv2.THRESH_BINARY_INV`；
- `blockSize`：设定的区域大小，一般为奇数；
- `C`：从平均值或加权平均值中减去的常数。