Các kiểu dữ liệu trong C ( int - float - double - char ...) 
Thuật toán tìm ước chung lớn nhất trong C/C++ 
Cấu trúc lệnh switch case trong C++ (có bài tập thực hành) 
ComboBox - ListBox trong lập trình C# winforms 
Random trong Python: Tạo số random ngẫu nhiên 
Lệnh cin và cout trong C++ 
Cách khai báo biến trong PHP, các loại biến thường gặp 
Download và cài đặt Vertrigo Server 
Thẻ li trong HTML 
Thẻ article trong HTML5 
Cấu trúc HTML5: Cách tạo template HTML5 đầu tiên 
Cách dùng thẻ img trong HTML và các thuộc tính của img 
Thẻ a trong HTML và các thuộc tính của thẻ a thường dùng Thông báo: Download 4 khóa học Python từ cơ bản đến nâng cao tại đây.
Cách áp dụng ngưỡng hình ảnh trong Python với NumPy
Khi làm việc với xử lý ảnh, việc nhị phân hóa hình ảnh bằng cách áp dụng ngưỡng (threshold) là một kỹ thuật phổ biến giúp phân tách các vùng sáng và tối, tạo thành ảnh chỉ với hai màu đen và trắng. Bài viết này sẽ hướng dẫn bạn từng bước thực hiện quá trình này trong Python, sử dụng thư viện NumPy và Pillow để tải, xử lý và lưu ảnh đã qua ngưỡng hóa. Với đoạn mã đơn giản, bạn có thể dễ dàng thực hành nhị phân hóa ảnh để phục vụ cho các dự án phân tích hoặc xử lý ảnh khác nhau.
Cách áp dụng ngưỡng hình ảnh trong Python với NumPy
import numpy as np
from PIL import Image
# Thiết lập giá trị ngưỡng
threshold = 100
# Tải ảnh đầu vào (ảnh mức xám)
img = Image.open('img_gray.png')
# Nếu bạn đang làm việc với ảnh màu, chuyển đổi sang mức xám với lệnh sau:
# img = img.convert('L')
# Chuyển đổi ảnh sang mảng NumPy
img_np = np.array(img)
# Áp dụng ngưỡng: nếu giá trị pixel lớn hơn ngưỡng, đặt thành 255 (trắng), nếu không thì 0 (đen)
img_np = np.where(img_np > threshold, 255, 0)
# Đưa mảng đã chuyển đổi ngược trở lại ảnh
img.putdata(img_np.flatten())
# Lưu ảnh mới đã áp dụng ngưỡng
img.save('img_thresholded.png')
Trong đoạn mã trên:
-
Tải và chuyển đổi ảnh: Đầu tiên, chúng ta tải ảnh mức xám (
img_gray.png). Nếu ảnh đầu vào là ảnh màu, hãy chuyển đổi ảnh về mức xám để thao tác áp dụng ngưỡng chính xác. -
Chuyển đổi thành mảng NumPy: Ảnh sau khi tải được chuyển đổi thành mảng NumPy để dễ dàng thao tác với các giá trị pixel.
Bài viết này được đăng tại [free tuts .net]
-
Áp dụng ngưỡng: Sử dụng
np.where()để áp dụng ngưỡng lên từng pixel. Mỗi pixel có giá trị lớn hơnthresholdsẽ được chuyển thành 255 (màu trắng), còn lại thành 0 (màu đen). -
Lưu ảnh nhị phân hóa: Cuối cùng, chúng ta lưu ảnh đã được chuyển đổi chỉ còn lại hai màu đen và trắng.
Kết quả của quá trình này sẽ là một ảnh nhị phân hóa có tên img_thresholded.png, giúp bạn phân tích hoặc sử dụng ảnh dưới dạng dữ liệu trắng-đen một cách dễ dàng hơn.
Kết bài
Với những bước đơn giản trên, bạn đã biết cách nhị phân hóa hình ảnh bằng ngưỡng trong Python bằng cách sử dụng NumPy và Pillow. Kỹ thuật này rất hữu ích trong xử lý ảnh, giúp giảm bớt thông tin hình ảnh và làm nổi bật các chi tiết cần thiết. Bạn có thể áp dụng phương pháp này vào các dự án thị giác máy tính khác để tạo nền tảng cho các bước xử lý nâng cao hơn. Hãy thử nghiệm với các giá trị ngưỡng khác nhau để tìm ra kết quả phù hợp nhất với mục tiêu của mình!
