程序员经验分享-hwhale

Python计算机视觉（二）

2023-11-03

图像处理

图像阈值

ret,dst = cv2.threshold(src,thresh,maxval,type)
 - src：输入图，只能输入单通道图像，通常来说为灰度图
 - dst：输出图
 - thresh：阈值
 - maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
 - type：二值化操作的类型，包含以下五种类型：cv2.THRESH_BINARY,cv2.THRESH_BINARY_INV,cv2.THRESH_TRUNC,cv2.THRESH_TOZERO,cv2.THRESH_TOZERO_INV
 - cv2.THRESH_BINARY：超过阈值部分去maxval（最大值），否则取0
 - cv2.THRESH_BINARY_INV：小于阈值取maxval（最大值），否则取0
 - cv2.THRESH_TRUNC：大于部分设为阈值，否则不变
 - cv2.THRESH_TOZERO：大于阈值部分不改变，否则设为0
 - cv2.THRESH_TOZERO_INV：上述的反转，小于不改变，大的取0
#上面如果要全部复制，请注释
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
titles = ['Original','Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img,thresh1,thresh2,thresh3,thresh4,thresh5]
#绘制图像，到一张图里面，形成子图
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray')
    plt.xticks([])
    plt.yticks([])
plt.show()

在这里插入图片描述

添加噪音

高斯噪音

import numpy as np
#读取图片
img = cv2.imread("image.png")
img.shape
img_height = 512
img_width = 512
img_channels = 3
#设置高斯分布的均值和方差
mean = 0
#设置高斯分布的标准差
sigma = 25
#根据均值和标准差生成符合高斯分布的噪声
gauss = np.random.normal(mean,sigma,(img_height,img_width,img_channels))
#给图片添加高斯噪声
noisy_img = img + gauss
#设置图片添加高斯噪声之后的像素值的范围
noisy_img = np.clip(noisy_img,a_min=0,a_max=255)
#保存图片
cv2.imwrite("noisy_img.png",noisy_img)

椒盐噪音

#读取图片
Img = cv2.imread("image.png")
#设置添加椒盐噪声的数目比例
s_vs_p = 0.5
#设置添加噪声图像像素的数目
amount = 0.04
noisy_img = np.copy(Img)
#添加salt噪声
num_salt = np.ceil(amount * Img.size * s_vs_p)
#设置添加噪声的坐标位置
coords = [np.random.randint(0,i - 1, int(num_salt)) for i in Img.shape]
noisy_img[coords[0],coords[1],:] = [255,255,255]
#添加pepper噪声
num_pepper = np.ceil(amount * Img.size * (1. - s_vs_p))
#设置添加噪声的坐标位置
coords = [np.random.randint(0,i - 1, int(num_pepper)) for i in Img.shape]
noisy_img[coords[0],coords[1],:] = [0,0,0]
#保存图片
cv2.imwrite("Noisy.png",noisy_img)

图像平滑处理

img = cv2.imread("Noisy.png")
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
#均值滤波
blur = cv2.blur(img,(3,3))
cv2.imshow('blur',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
#方框滤波
#基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3),normalize=True)
cv2.imshow('box',box)
cv2.waitKey(0)
cv2.destroyAllWindows()
#方框滤波二
#基本和均值一样，可以选择归一化,越界取255
box = cv2.boxFilter(img,-1,(3,3),normalize=False)
cv2.imshow('box',box)
cv2.waitKey(0)
cv2.destroyAllWindows()
#高斯滤波
#高斯模糊的卷积核数据是满足高斯分布、相当于更重视中间的
aussian = cv2.GaussianBlur(img,(5,5),1)
cv2.imshow('aussian',aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
#中值滤波
#相当于用中值代替
median = cv2.medianBlur(img,5)
cv2.imshow('median',median)
cv2.waitKey(0)
cv2.destroyAllWindows()
#展示所有的
res = np.hstack((blur,aussian,median))
cv2.imshow('median vs average',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

形态学-腐蚀操作

import cv2
img = cv2.imread("fushi.jpg")
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((4,4),np.uint8)
#kernel是腐蚀核，表示腐蚀的大小
#iterations表示迭代次数，腐蚀的程度
erosion = cv2.erode(img,kernel,iterations = 1)
#图像展示
cv2.imshow('erosion',erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
pie = cv2.imread('pie.png')
cv2.imshow('pie',pie)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((30,30),np.uint8)
#这里验证不同的迭代次数对于腐蚀操作的影响
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

通过对腐蚀操作的不断实践，大概了解了腐蚀的作用，就是将利用边缘腐蚀的操作，不断地削减线条从而达到除毛的目的。

形态学-膨胀操作

import cv2
img = cv2.imread("fushi.jpg")
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((4,4),np.uint8)
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1)
cv2.imshow('dilate',dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((30,30),np.uint8)
#这里验证不同的迭代次数对于膨胀操作的影响
erosion_1 = cv2.dilate(pie,kernel,iterations = 1)
erosion_2 = cv2.dilate(pie,kernel,iterations = 2)
erosion_3 = cv2.dilate(pie,kernel,iterations = 3)
#合并
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()
#注意一点，核越小虽然达到同样的程度，迭代次数需要更多，但是同样的圆会更圆

膨胀刚好是相反的操作。

开运算与闭运算

#开：先腐蚀，再膨胀
img = cv2.imread('fushi.jpg')
kernel = np.ones((5,5),np.uint8)
#开闭运算的不同只在于参数2的不同，一个是open，一个是close
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
#闭：先膨胀，再腐蚀
img = cv2.imread('fushi.jpg')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
#去毛一定是开运算，闭运算是用来填坑

去毛一定是开运算，闭运算是用来填坑，但都是用来平滑处理边缘区域的。

梯度运算

#梯度=膨胀-腐蚀
pie = cv2.imread("pie.png")
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)
res = np.hstack((dilate,erosion))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()
#梯度下降操作
gredient = cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)
cv2.imshow('gradient',gredient)
cv2.waitKey(0)
cv2.destroyAllWindows()

礼帽和黑帽
礼帽 = 原始输入-开运算结果
黑帽 = 闭运算-原始输入

#礼帽
img = cv2.imread("fushi.jpg")
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('tophat',tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
#黑帽
img = cv2.imread("fushi.jpg")
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('blackhat',blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()

开运算可以消除暗背景下的高亮区域，那么如果用原图减去开运算结果就可以得到原图中灰度较亮的区域，所以又称白顶帽变换，简称为礼帽
闭运算可以删除亮背景下的暗区域，那么用原图减去闭运算结果就可以得到原图像中灰度较暗的区域，所以又称黑底帽变换。
例子：

https://blog.csdn.net/great_yzl/article/details/119594716

img = cv2.imread('hat_example.png')
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
print(img.shape)
#通过颜色通道可以进行转化，这里是转化为灰度图像，当然可以最开始导入的时候，直接灰度导入
#但注意输入必须对应，比如BGR2GRAY是BGR的图像2是to到GRAY图像。
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img.shape
#二值化,第二个参数需要设置为0，会自动去寻找阈值，适用于双峰
#返回第一个是阈值
retval,img_two = cv2.threshold(img,0,255,cv2.THRESH_OTSU)
print(img_two.shape)
cv2.imshow('img_two',img_two)
cv2.waitKey(0)
cv2.destroyAllWindows()
#利用黑帽的特性
#闭运算可以删除亮背景下的暗区域，那么用原图减去闭运算结果就可以得到原图像中灰度较暗的区域，所以又称黑底帽变换。
#就可以得到只保留圆环的图像，但存在白色缺少，因此我们使用闭运算填充
kernel = np.ones((35,35),np.uint8)
black_img = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
retval,img_two = cv2.threshold(black_img,0,255,cv2.THRESH_OTSU)
cv2.imshow('blackhat',img_two)
cv2.waitKey(0)
cv2.destroyAllWindows()
#这里运用闭运算填充缺失部分
kernel = np.ones((4,4),np.uint8)
opening = cv2.morphologyEx(black_img,cv2.MORPH_CLOSE,kernel)
retval,img_two = cv2.threshold(opening,0,255,cv2.THRESH_OTSU)
cv2.imshow('opening',img_two)
cv2.waitKey(0)
cv2.destroyAllWindows()

原始图片
二值化图片
黑帽和闭运算后

图像梯度-Sobel算子

Sobel算子

Sobel算子

img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

  • ddepth:图像的深度
  • dx和dy分别表示水平和竖直方向
  • ksize是Sobel算子的大小
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
#cv2.CV_64F是保留负数，ksize = 3 是用的核是3*3,1,0是只计算x
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')

#这里加了一步转化，即把后面的负数转化为正数，取绝对值
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

#这里是对y进行
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')

sobel = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobel,'sobel')

#到了这一步可以看到梯度本质上是找到边界并得出边界。
img = cv2.imread('image.png',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobel  = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobel,"sobel")

Scharr算子

和上面的sobel算子相比值更大，对数据更敏感
Scharr算子

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharr  = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
cv_show(scharr,"scharr")

laplacian算子

laplacian算子

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)
res = np.hstack((sobel,scharr,laplacian))
cv_show(res,"res")

以上是介绍了三种梯度计算算子。

Canny边缘检测

1、使用高斯滤波器，以平滑图像，滤除噪声
2、计算图像中每个像素点的梯度强度和方向。
3、应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
4、应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5、通过抑制孤立的弱边缘最终完成边缘检测。

https://blog.csdn.net/saltriver/article/details/80545571
上面是一篇对Canny边缘检测解释的文章

#简单实例
img = cv2.imread('image.png',cv2.IMREAD_GRAYSCALE)
#Canny没有将图像降噪纳入，因此需要自己进行降噪
img = cv2.GaussianBlur(img, (5,5), 0)
cv_show(img,'img')
#后面两个参数为阈值参数
v1 = cv2.Canny(img,80,150)
v2 = cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')

img = cv2.imread('Noisy.png',cv2.IMREAD_GRAYSCALE)
#Canny没有将图像降噪纳入，因此需要自己进行降噪
#高斯核的大小控制我们降噪的程度，之前没有降噪成功是因为高斯核太小
img = cv2.GaussianBlur(img, (11,11), 0)
cv_show(img,'img')
#后面两个参数为阈值参数
v1 = cv2.Canny(img,80,150)
v2 = cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')
#Canny在有噪声的情况下表现好不好，取决于前面的降噪过程，这也是为什么OpenCV将图像降噪放在Canny函数外面的原因吧，需要你自己精心调整它。

图像金字塔

https://zhuanlan.zhihu.com/p/112040797

高斯金字塔

img = cv2.imread('AM.png')
cv_show(img,'img')

上采样

up = cv2.pyrUp(img)
cv_show(up,'up')

下采样

down = cv2.pyrDown(img)
cv_show(down,'down')

先下采样，后上采样

downup = cv2.pyrUp(down)
cv_show(downup,"downup")
#可以看到明显变得模糊了

先上采样，再下采样

updown = cv2.pyrDown(up)
cv_show(updown,'updown')

放到一起看，三种情况

res = np.hstack((img,downup,updown))
cv_show(res,"res")

展示三种结果
小结：可以看到无论是先上采样还是先下采样，经过两个步骤的结果都会有数据缺失。

拉普拉斯金字塔

原始数据减去，downup后的数据

down = cv2.pyrDown(img)
downup = cv2.pyrUp(down)
l_l = img - downup
cv_show(l_l,'l_l')

注：拉普拉斯金字塔时，图像大小必须是2的n次方*2的n次方或图像长和宽相等，不然会报错！！！！！！！！！！！！！！！！！！！！！！！！！！！！！

图像轮廓

cv2.findContours(img,mode,method)
mode:轮廓检索模式
RETR_EXTERNAL ：只检索最外面的轮廓；
RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;#最重要
method:轮廓逼近方法
CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。
为了更高的准确率一般使用二值图像

绘制轮廓

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# -1默认是全部绘制
#注意需要copy，要不原图会变
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(255,0,0),2)
cv_show(res,'res')

轮廓特征

cnt = contours[0]
#面积计算
cv2.contourArea(cnt)
#周长计算
cv2.arcLength(cnt,True)

轮廓近似

img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret , thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours ,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img,[cnt],-1,(0,0,255),2)
cv_show(res,'res')

epsilon = 0.01*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show(res,'res')

边界矩形

img = cv2.imread('contours.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours ,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[1]
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')
#上述是返回无旋转最优矩阵

最小外接矩形

import warnings
warnings.filterwarnings('ignore')
#上述是不报错
#这里是返回最优矩阵，可以旋转
#rect三个参数，第一个是中心点，第二个是长和宽，第三个是旋转角度
rect = cv2.minAreaRect(cnt)
#这里是根据中心点、长宽、旋转角度、从而得到主要四个端点的左边
box = cv2.boxPoints(rect)
#numpy.int0 (np.int0)，这个其实就是numpy.int64(np.int64)
box = np.int0(box)
img_1 = cv2.drawContours(img, [box], 0, (0, 0, 255), 2)
cv_show(img_1,'image.pn')

外接圆

(x,y) , radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img  = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')

模版匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

#模型匹配
img = cv2.imread('image.png',0)
template = cv2.imread('face.jpg',0)
h,w = template.shape[:2]
print(img.shape)
print(template.shape)

TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
TM_CCORR：计算相关性，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d
上面是相关介绍网址

匹配单个对象

#模型匹配
img = cv2.imread("lena.jpg",0)
template = cv2.imread('face.jpg',0)
h,w = template.shape[:2]
print(img.shape)
print(template.shape)
methods = ['cv2.TM_SQDIFF','cv2.TM_CCORR','cv2.TM_CCOEFF','cv2.TM_SQDIFF_NORMED','cv2.TM_CCORR_NORMED','cv2.TM_CCOEFF_NORMED']
res = cv2.matchTemplate(img,template,cv2.TM_SQDIFF_NORMED)
res.shape
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
print(min_val,max_val,min_loc,max_loc)
print(eval('cv2.TM_SQDIFF_NORMED'))

依次便利每一个方法

for meth in methods:
    img2 = img.copy()
    method = eval(meth)
    print(method)
    res = cv2.matchTemplate(img,template,method)
    min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
    if method in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0]+w,top_left[1]+h)
    cv2.rectangle(img2,top_left,bottom_right,255,2)
    plt.subplot(121)
    plt.imshow(res,cmap = 'gray')
    plt.xticks([])
    plt.yticks([])
    plt.subplot(122)
    plt.imshow(img2,cmap='gray')
    plt.xticks([])
    plt.yticks([])
    plt.suptitle(meth)
    plt.show()

其中一个图片

匹配多个对象

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg',0)
h,w = template.shape[:2]

res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where (res >= threshold)
for pi in zip(*loc[::-1]):
    bottom_right = (pi[0]+w,pi[1]+h)
    cv2.rectangle(img_rgb,pi,bottom_right,(0,0,255),2)
cv2.imshow('image.png',img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

硬币匹配

直方图

直方图

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

cv2.calcHist(images,channels,mask,histSize,ranges)
images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
histSize:BIN 的数目。也应用中括号括来
ranges: 像素值范围常为 [0256]

img = cv2.imread('image.png',0)#0表示灰度图
hist =  cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape
plt.hist(img.ravel(),256)
plt.show()

在这里插入图片描述

img = cv2.imread('image.png')
color = ("b","g","r")
for i,col in enumerate(color):
    print(i,col)
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color=col)
    plt.xlim([0,256])

在这里插入图片描述

mask操作

#创建mask
mask = np.zeros(img.shape[:2],np.uint8)
print(mask.shape)
mask[100:300,100:400] = 255
cv_show(mask,'mask')

img = cv2.imread('image.png',0)
# cv_show(img,'img')
masked_img = cv2.bitwise_and(img,img,mask=mask)
cv_show(masked_img,"masked_img")

hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])

plt.subplot(221),plt.imshow(img,'gray')
plt.subplot(222),plt.imshow(mask,'gray')
plt.subplot(223),plt.imshow(masked_img,'gray')
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()

均衡化

img = cv2.imread('cat.jpg',0)
plt.hist(img.ravel(),256)
plt.show()

#均衡化，原理是利用概率方式
img = cv2.imread('cat.jpg',0)
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()

自适应直方图均衡化

clahe = cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show(res,"res")

傅里叶变换

我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。
但是在频域中一切都是静止的！
https://zhuanlan.zhihu.com/p/19763358

傅里叶变换的作用

高频：变化剧烈的灰度分量，例如边界
低频：变化缓慢的灰度分量，例如一片大海

滤波

低通滤波器：只保留低频，会使得图像模糊
高通滤波器：只保留高频，会使得图像细节增强
opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式。
得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。
cv2.dft()返回的结果是双通道的（实部，虚部），通常需要转换成图像格式才能展示（0,255）。

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)
#转化类型
img_float32 = np.float32(img)

#得到低频值
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
#位置中移
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
#结果映射
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
#绘图
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

低通滤波

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

#得到长和宽
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
#中心区域变成1
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# IDFT
# 离散傅里叶逆变换
fshift = dft_shift*mask
#还原
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
#实部和虚部进行转化
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()

在这里插入图片描述

高通滤波

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()

在这里插入图片描述
两篇文章涵盖OpenCV部分基本操作。这里大部分内容引用于B站课程。python-木子

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

计算机视觉

python

opencv

Python计算机视觉（二） 的相关文章

随机推荐

  • python脚本实现windows下文件gbk编码与utf-8相互转换

    代码如下 import codecs import sys def ReadFile filePath encoding utf 8 with codecs open filePath r encoding as f return f re

  • QT之对话框QDialog

    系列文章目录 有关QT的学习我们会采取连载更新 传送门 有C 基础如何直接上手QT 最适合新手的第一个Qt小程序 QT学习之QMainWindow详解 本文章目录 系列文章目录 一 基本概念 1 1 标准对话框 1 2 自定义消息框 二 模

  • c语言猴子吃桃问题

    猴子摘桃问题 很多桃 立即吃掉了一半 又多吃一个 每天都是这样吃桃 到第十天的时候 只有1个桃了 求猴子最开始摘了多少桃子 思路 逆向思考 将第十天看成第一天 将n n 2 1变成 n 2 n 1 函数功能 猴子吃桃问题 函数形参 None

  • 国家对区块链态度如何？

    有很多人说区块链是骗局 不然为什么国家要禁止区块链 其实不然 国家对区块链开发技术是大力支持的 禁止的只是加密货币而已 区块链开发不是骗局 只是容易被不法的人利用而已 国家为何严禁数字货币 2018年区块链行业出现的区块链骗局 1 虚假IC

  • QCombox隐藏下拉箭头，并使其文本右对齐

    QCombox隐藏下拉箭头 文本右对齐 使用场景 实现代码 额外补充 完整代码 开发环境 项目创建类型 项目结构 实现代码 运行效果 效果一 效果二 使用场景 工作中 有时需要将QCombox做一些处理 比如此篇的隐藏其下拉箭头 将文本右对

  • centos8添加阿里源

    配置方法 通知 CentOS 8操作系统版本结束了生命周期 EOL Linux社区已不再维护该操作系统版本 建议您切换到Anolis或Alinux 如果您的业务过渡期仍需要使用CentOS 8系统中的一些安装包 请根据下文切换CentOS

  • 基于matlab深度学习的水果图像识别算法

    基于matlab深度学习的水果图像识别算法 欢迎大家一起学习 本文采用的是matlab平台 网上大部分用的是python语言 因为毕业设计要求 我采用的是matlab 也算是自己查阅了很多资料吧 matlab里面有一个软件设计工具 APP

  • 钉钉和微信通过h5服务器对接,钉钉H5微应用调用钉钉api，如何实现鉴权

    dd config agentId XXX 必填 微应用ID corpId XXX 必填 企业ID timeStamp that timeStamp 必填 生成签名的时间戳 nonceStr that nonce 必填 生成签名的随机串 s

  • 如何通过 js 打开一个新的浏览器窗口

    Aphorism Grow In Errors 前言 最近 肾七 电池不耐用了 想想 左腹就隐隐作痛 咳咳 回归正题 我就联系了下 apple 客服 准备换个 电池 2018年 12 31 前 更换苹果电池是有优惠政策的 在打开 聊天室的时

  • codesys com库_CoDeSys官方系统库在线下载，替换国内下载服务器教程

    欢迎加入工控分享技术服务社区 推荐阅读 Codesys学习资料大全 Codesys控制器关于CANopen总线的详细应用说明 当你软件报以下错误 你可以直接下载 如果下载不成功 可以换个网络试一试 或者进行下面的操作 由于国内网络问题 造成

  • 【QT】QT生成.exe安装包详细全文（保姆级教程）--打包软件及问题大全

    缺少 dll文件的朋友 请跳转到我的另一篇文章 QT编译后的 exe文件运行时缺少一些 dll文件的解决办法 超详细教程 新手必备 把问题解决再往下看 一 前言 最近 一个朋友是老师 前些天知道他平时点名不方便 还是使用老古董 花名册 去随

  • Python面对对象之初始化方法（__int__方法）

    Python面对对象 Python面对对象之初始化方法 int 方法的使用 与 int 方法对比对比 在初始化方法 类内部定义属性 类内部封装 改造初始化方法 初始化的同时设置初始值 就是通过外部传参给类内部 定义没有初始值的属性 一个对象

  • wazuh 日志收集原理分析

    wazuh 默认安装到 var ossec目录下 我基于manager端进行分析 和agent一样 默认启动ossec logcollector进程去搜集日志 比如 snort日志 auditd日志 syslog日志等 入口函数代码在src

  • Onvif协议学习：9、设备能力

    Onvif协议学习 9 设备能力 文章目录 Onvif协议学习 9 设备能力 1 原理简介 2 编码流程 3 示例代码 原文链接 https blog csdn net benkaoya article details 72486544 1

  • list的操作

    标题 Python列表操作的函数和方法 列表操作包含以下函数 1 list append obj 在列表末尾添加新的对象 2 list count obj 统计某个元素在列表中出现的次数 3 list extend seq 在列表末尾一次性

  • 新版CCNP考试通过分数及考试时间(转)

    新版CCNP考试通过分数及考试时间 转 more 作者 Justin ChinaITLab 网校 642 801 BSCI 通过分数为690分 考试时间为105分钟 642 811 BCMSN 通过分数为690分 考试时间为105 分钟 6

  • Git使用连接Gitee

    第一步 下载安装git Git下载链接 https www git scm com download 安装时选择哪些选项 建议百度 或者照着视频安装 码云官网 https gitee com 第二步 建议将git配置到环境变量 直接在cmd

  • 3.5离散时间模拟

    在日常生活中 我们经常会遇到许多为了公共秩序而需要排队的情景 这样一类活动中模拟程序通常需要用到队列和线性表之类的数据结构 因此是队列的典型应用之一 例如银行业务的模拟程序 假设某银行有4个窗口对外接待客户 由于每个窗口每次只能服务一个客户

  • Git 配置：设置用户名（user.name）和 邮箱（user.eamil）

    Git 配置 设置用户名 user name 和 邮箱 user eamil 原因 Git 提交代码时 会要求提供 用户名 和 邮箱 解决方案 配置 全局 user name 和 user email 使所有的 Git 仓库都使用统一的用户

  • Python计算机视觉（二）

    Python计算机视觉 二 图像处理 图像阈值 添加噪音 高斯噪音 椒盐噪音 图像平滑处理 形态学 腐蚀操作 形态学 膨胀操作 开运算与闭运算 梯度运算 图像梯度 Sobel算子 Sobel算子 Scharr算子 laplacian算子 C

热门标签