1.圖像灰度處理
下面介紹四種圖像灰度處理的方法：
方法1：cv2中的imread（參數：0表示為灰度圖片，1表示為彩色圖片）
測試代碼如下：
1 import cv2 2 # 方法1 imread 3 img0 = cv2.imread('image0.jpg', 0) # 0 為灰度圖片 1 為彩色圖片 4 img1 = cv2.imread('image0.jpg', 1) 5 print(img0.shape) 6 print(img1.shape) 7 cv2.imshow('src0',img0) 8 cv2.imshow('src1',img1) 9 cv2.waitKey(0)
運行結果如下：
src0為灰度圖像：
src1為彩色圖像：
方法 2：cvtColor
測試代碼如下：
1 # 方法2 cvtColor 2 import cv2 3 img = cv2.imread('image0.jpg', 1) 4 dst = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 完成顏色空間的轉換 從bgr模式轉化為灰度模式 5 cv2.imshow('dst', dst) 6 cv2.waitKey(0)
運行結果如下：
同樣的可以轉化為灰度圖像：
方法3：對RGB三個分量取均值
1 # 方法3 RGB R=G=B gray=(R+G+B)/3 2 import cv2 3 import numpy as np 4 img = cv2.imread('image0.jpg', 1) 5 cv2.imshow('src',img) 6 imgInfo = img.shape 7 height = imgInfo[0] 8 width = imgInfo[1] 9 dst = np.zeros((height,width,3),np.uint8) 10 for i in range(0,height): 11 for j in range(0,width): 12 (b,g,r) = img[i,j] 13 gray = (int(b)+int(g)+int(r))/3 # 防止數據溢出 14 dst[i,j] = np.uint8(gray) 15 cv2.imshow('dst',dst) 16 cv2.waitKey(0)
運行結果：略
方法4：對rbg加權 gray = r*0.299+g*0.587+b*0.114
1 # 方法4 對rbg加權 2 # gray = r*0.299+g*0.587+b*0.114 3 import cv2 4 import numpy as np 5 img = cv2.imread('image0.jpg', 1) 6 cv2.imshow('src',img) 7 imgInfo = img.shape 8 height = imgInfo[0] 9 width = imgInfo[1] 10 dst = np.zeros((height,width,3),np.uint8) 11 w = [0.299, 0.587, 0.114] 12 for i in range(0,height): 13 for j in range(0,width): 14 (b,g,r) = img[i,j] 15 gray = r*0.299+g*0.587+b*0.114 16 dst[i,j] = np.uint8(gray) 17 cv2.imshow('dst',dst) 18 cv2.waitKey(0)
運行結果：略
圖像轉灰度算法優化：
原因：
- 重要
- 基礎
- 實時性
優化方法：
- 定點運算優於浮點運算
- 減法優於乘除
- 移位運算優於乘除
測試代碼如下：
1 import cv2 2 import numpy as np 3 img = cv2.imread('image0.jpg', 1) 4 cv2.imshow('src',img) 5 imgInfo = img.shape 6 height = imgInfo[0] 7 width = imgInfo[1] 8 dst = np.zeros((height,width,3),np.uint8) 9 for i in range(0,height): 10 for j in range(0,width): 11 (b,g,r) = img[i,j] 12 b = int(b) 13 g = int(g) 14 r = int(r) 15 # gray = (int(b) + int(g) + int(r)) / 3 # 防止數據溢出 16 gray = (r+(g << 1)+b) >> 2 # 浮點轉化成了定點 r和b乘以1省略掉 乘除轉化為移位運算 但是會損失一點精度 17 dst[i,j] = np.uint8(gray) 18 cv2.imshow('dst',dst) 19 cv2.waitKey(0)
運行結果如下：
src為彩色的原始圖像：
dst為轉化為灰度的目標圖像：
其實可以通過算法優化的圖像對比前面四種方法處理后的圖像，可以知道，其實效果都差不多，但是性能顯著提升！
2.顏色反轉
顏色反轉分為：灰度圖的顏色反轉和RGB圖的顏色反轉，但是本質上都是一樣的，取反操作即對每個像素點進行取反得到新的像素值，或者用255-當前像素值（八位的時候）。
1.灰度圖的顏色反轉，測試代碼如下：
1 import cv2 2 import numpy as np 3 img = cv2.imread('image0.jpg', 1) 4 cv2.imshow('src',img) # 彩色圖 5 imgInfo = img.shape 6 height = imgInfo[0] 7 width = imgInfo[1] 8 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 轉化為灰度圖 9 cv2.imshow('gray',gray) 10 dst = np.zeros((height,width,1),np.uint8) 11 for i in range(0,height): 12 for j in range(0,width): 13 dst[i,j] = 255-gray[i,j] 14 # 也可以通過取反得到，效果是一樣的，下面一行是取反的操作，能夠實現同樣的效果 15 # dst[i,j] = ~gray[i,j] 16 cv2.imshow('dst',dst) # 灰度圖反轉后的圖像 17 cv2.waitKey(0)
運行結果如下：（src為初始的彩色圖像，gray為轉化的灰度圖，dst為灰度圖反轉后的圖像）
src：略
gray：
dst：
2.RGB彩色圖像的反轉，測試代碼如下：
1 # RGB 顏色反轉 [255,255,255]-當前像素值[b,g,r] 2 import cv2 3 import numpy as np 4 img = cv2.imread('image0.jpg', 1) 5 cv2.imshow('src',img) 6 imgInfo = img.shape 7 height = imgInfo[0] 8 width = imgInfo[1] 9 dst = np.zeros((height,width,3),np.uint8) 10 w = [255, 255, 255] 11 for i in range(0,height): 12 for j in range(0,width): 13 dst[i,j] = w - img[i,j] 14 cv2.imshow('dst',dst) 15 cv2.waitKey(0)
運行結果如下：
src為RGB原始圖像：
dst為RGB圖像反轉后的圖像：
3.圖片馬賽克化
馬賽克效果：實質是在一個小矩陣范圍內隨機取一個像素進行填充（即代替矩形框中其他的像素）。
參考示例，便於理解：
圖片馬賽克化，測試代碼如下：
1 # 馬賽克效果：實質是在一個小矩陣范圍內隨機取一個像素進行填充（即代替矩形框中其他的像素） 2 import cv2 3 import numpy as np 4 img = cv2.imread('image0.jpg', 1) 5 cv2.imshow('src',img) 6 imgInfo = img.shape 7 height = imgInfo[0] 8 width = imgInfo[1] 9 # 將圖像中從點(200,400)到點(400,600)進行馬賽克處理 10 for m in range(200,400): 11 for n in range(400,600): 12 # pixel -》10*10 13 if m%10 == 0 and n%10 == 0: 14 for i in range(0,10): 15 for j in range(0,10): 16 (b,g,r) = img[m,n] 17 img[i+m,j+n]=(b,g,r) 18 cv2.imshow('dst',img) 19 cv2.waitKey(0)
運行效果如下：
src原始圖像：
dst馬賽克化后的圖像：（圖中的圈為馬賽克效果）
4.圖片毛玻璃化
毛玻璃效果：是一個隨機替換的過程，實質在一個小范圍內隨機取一個像素進行替換。
參考示例，便於理解：
圖片毛玻璃化，測試代碼如下：
1 # 毛玻璃效果：是一個隨機替換的過程，實質在一個小范圍內隨機取一個像素進行替換 2 import cv2 3 import numpy as np 4 import random 5 img = cv2.imread('image0.jpg', 1) 6 cv2.imshow('src',img) 7 imgInfo = img.shape 8 height = imgInfo[0] 9 width = imgInfo[1] 10 dst = np.zeros((height,width,3),np.uint8) 11 mm = 8 12 # 減去mm防止越界 邊框未填充所以為0是黑色 13 for m in range(0, height-mm): 14 for n in range(0, width-mm): 15 index = int(random.random()*8) 16 (b,g,r) = img[m+index,n+index] 17 dst[m,n] = (b,g,r) 18 cv2.imshow('dst',dst) 19 cv2.waitKey(0)
運行效果如下：
dst毛玻璃化的目標圖像：
5.圖片融合
圖片融合:實質上是對多個圖像進行加權求和，生成新的圖像，不同的權值組合可以生成不同的圖像。
以兩個圖像的融合為例：dst = src1*a+src2*（1-a），亦即：目標圖像 = 第一幅圖像 * 第一幅圖像的權值 + 第二幅圖像 * 第二幅圖像的權值 。
下面是圖片融合的測試代碼：
1 # 圖片融合:對多個圖像進行加權求和 2 # dst = src1*a+src2*（1-a） 3 import cv2 4 import numpy as np 5 img0 = cv2.imread('image0.jpg', 1) 6 img1 = cv2.imread('image1.jpg', 1) 7 cv2.imshow('src0',img0) 8 cv2.imshow('src1',img1) 9 imgInfo = img0.shape 10 height = imgInfo[0] 11 width = imgInfo[1] 12 # ROI 13 roiH = int(height/2) 14 roiW = int(width/2) 15 img0ROI = img0[0:roiH,0:roiW] 16 img1ROI = img1[0:roiH,0:roiW] 17 # dst 18 dst = np.zeros((roiH,roiW,3),np.uint8) 19 # 調用cv2的api進行圖片融合：addWeighted方法，前面四個參數分別對應pic1的信息，pic1的權重，pic2的信息，pic2的權重 20 # dst = src1*a+src2*（1-a） 21 dst = cv2.addWeighted(img0ROI,0.3,img1ROI,0.7,0) 22 cv2.imshow('dst',dst) 23 cv2.waitKey(0)
運行結果如下：
src0第一幅圖像：
src1第二幅圖像：
dst融合后的目標圖像：
