希望对原始图片进行处理，然后计算图片上的黑色和白色的占比
上图，

原始图片

import numpy as np
import cv2
import  matplotlib.pyplot as pltdef cal_black(img_file):#功能： 计算图片中的区域的黑色比例#取图片中不同的位置进行计算，然后计算器数值#----------------percentages={}#初始化变量    img=cv2.imread(img_file)#step1,加载图片#fiter_1.jpg    shape_size=img.shape#图片的尺寸dic_area=split_area(shape_size)#需要检测的位置。#剪切图片part_img_1=img[y1:y2,x1:x2]# 灰度处理img_grey=cv2.cvtColor(part_img_1,cv2.COLOR_RGB2GRAY)#COLOR_BGR2GRAY# 高斯过滤噪音ret, thresh = cv2.threshold(img_grey, 127, 255, cv2.THRESH_BINARY)  #img_source 为处理后的图片，二值化处理后的图片\black=0color_black=0color_white=0shape_size=thresh.shapefor i in range(0,shape_size[0]):y,x=shape_size[0],shape_size[1]color=thresh[i,0]#得到他得颜色RGB数值if color==255:color_white=color_white+1#白色else:color_black=color_black+1#黑色percentages[key]=100*color_black/(color_white+color_white)#计算黑色占比return percentages

在代码中主要采用了遍历进行计算，每个点计算函数的颜色然后统计，比较简单暴力，

网络上有另外的方法，摘录如下；更改其中的代码就可以。

# # 应用二值化 
ret, thresh = cv2.threshold(img_grey, 80, 255, cv2.THRESH_BINARY)  #80
# ------------计算黑色像素的数量
black_pixels = np.count_nonzero(thresh == 0)# 计算黑色像素的数量
black_pixels2 = np.sum(thresh == 0)
# ------------计算总的像素数量
total_pixels = thresh.shape[0] * thresh.shape[1]
# ------------计算黑色像素的占比
black_ratio = black_pixels / total_pixelsprint(f"黑色像素的占比: {black_ratio:.4f}")

主要用于图像特征分析。