碼上歡樂
相關內容    簡體    繁體

OpenCV數字圖像處理學習筆記整理

本文轉載自   查看原文   2020-09-11 20:27   536    圖像處理/ 學習筆記/ 數字圖像處理/ opencv

實驗一、圖像的讀取和運算

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


def show_img(name,image):
    cv2.imshow(name,image)
    cv2.waitKey()
    cv2.destroyAllWindows()

# 讀入圖片
img = cv2.imread('./image/leonard.jpg')
# 顯示圖片
show_img('leonard.jpg',img)

# 保存圖片
cv2.imwrite('save.jpg',img)

True

# 圖片運算
img1 = cv2.imread('./image/leonard.jpg')
img2 = cv2.imread('./image/leonard1.jpg')
add = cv2.add(img1,img2)
subtract = cv2.subtract(img1,img2)
multiply = cv2.multiply(img1,img2)
divide = cv2.divide(img1,img2)
img1 = cv2.imread('./image/leonard.jpg')
img2 = cv2.imread('./image/leonard1.jpg')
add = cv2.add(img1,img2)
subtract = cv2.subtract(img1,img2)
multiply = cv2.multiply(img1,img2)
divide = cv2.divide(img1,img2)
plt.subplot(161),plt.imshow(img1),plt.title('img1')
plt.subplot(162),plt.imshow(img2),plt.title('img2')
plt.subplot(163),plt.imshow(add),plt.title('add')
plt.subplot(164),plt.imshow(subtract),plt.title('subtract')
plt.subplot(165),plt.imshow(multiply),plt.title('multiply')
plt.subplot(166),plt.imshow(divide),plt.title('divide')
plt.show()

實驗二、圖像的灰度變換及直方圖均衡化

任務：

以一幅 256×256 象素的數字圖像為實驗對象，觀察圖像的二值化效果和直方圖分布。

對圖像的直方圖進行均衡化。

import cv2
import matplotlib.pyplot as plt


def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()


# 圖像二值化
img = cv2.imread('./image/leonard_256x256.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
cv_show('img_gray',img_gray)
print(img_gray)
print(img_gray.shape)

[[125 111  84 ...  20  18  18]
 [149 127  96 ...  16  19  16]
 [155 126 100 ...  15  20  17]
 ...
 [ 49  56  62 ...  19  11   9]
 [ 43  47  64 ...  16   6   4]
 [ 33  56  61 ...  18   6   3]]
(256, 256)

# 圖像直方圖
hist = cv2.calcHist([img],[0],None,[256],[0,256])
print(hist.shape) # (256, 1)一維數組，有256個數據，分別代表每個值出現的次數
# print(hist)

# img.ravel()將二維圖像轉換為一維的數據
plt.hist(img.ravel(),256)
plt.show()

(256, 1)


# 均衡化處理
import numpy as np

# 直接均衡化，均衡化后圖像有些地方太亮，失去了細節信息
equ = cv2.equalizeHist(img_gray)

# 自適應直方圖均衡化 保留了細節
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img_gray)

# 直方圖對比
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.figure()
plt.subplot(311)
plt.hist(img_gray.ravel(),256,label='原始圖像')
plt.legend(loc='upper right')
plt.subplot(312)
plt.hist(equ.ravel(),256,label='均衡化')
plt.legend(loc='upper right')
plt.subplot(313)
plt.hist(res_clahe.ravel(),256,label='自適應均衡化')
plt.legend(loc='upper right')
plt.show()



# 圖像對比
res = np.hstack((img_gray,equ,res_clahe))
cv_show('res',res)

實驗三、圖像的平衡和銳化處理

任務：

  • 以一幅 256×256 象素的數字圖像為對象
    采用中值濾波處理進行平滑處理
    和 Soble 算子圖像銳化方法
import cv2
import numpy as np
from IPython.display import Image

# 0 表示灰度圖
img = cv2.imread('./image/leonard_256x256_Noise.jpg',0)

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()


# 自定義的平均濾波
kernel = np.ones((5,5),np.float32)/25
print(kernel)

[[0.04 0.04 0.04 0.04 0.04]
 [0.04 0.04 0.04 0.04 0.04]
 [0.04 0.04 0.04 0.04 0.04]
 [0.04 0.04 0.04 0.04 0.04]
 [0.04 0.04 0.04 0.04 0.04]]

# 第二個參數為圖像的深度，-1表示和原圖一樣
dst = cv2.filter2D(img,-1,kernel)

# 圖像變得很模糊，看着有點難受的感覺
res = np.hstack((img,dst))
cv_show('Original&Averaging',res)

均值濾波

卷積框覆蓋區域的所有像素的平均均值來代替中心元素

blur = cv2.blur(img,(5,5))

# 效果和平均濾波一樣
res = np.hstack((img,blur))
cv_show('Original&Blur',res)

Image(filename = './image/1.png', width=400)

高斯濾波

可以有效的去除高斯噪點

（卷積核里的值符合高斯分布，中心的值最大，其余方框根據距離中心元素的距離遞減，構成一個高斯小山包）

# 第三個參數為標准差，0表示函數自行計算
gaussianblur = cv2.GaussianBlur(img,(5,5),0)
res = np.hstack((img,gaussianblur)) 
cv_show('Original&GaussianBlur',res)

Image(filename = './image/2.png', width=400)

中值濾波（中值模糊）

用卷積框對應像素的中值來替換中心像素的值

常用於去除椒鹽噪聲

median = cv2.medianBlur(img,5)
res = np.hstack((img,gaussianblur))
cv_show('Original&medianBlur',res)

Image(filename='./image/3.png',width=400)

雙邊濾波

以保持邊界清晰的情況況下有效的去除噪聲

0 領域直徑 兩個75是 空間高斯函數標准差 灰度值相似性高斯函數標准差

bilatera = cv2.bilateralFilter(img,0,75,75)

res = np.hstack((img,bilatera))
cv_show('Original&bilateralFilter',res)

Image(filename='./image/4.png',width=400)

圖像梯度

圖像更加的細節

sobel算子

# ddepth:圖像的深度（輸入輸出一樣-1）
# dx和dy分別表示水平和豎直方向 dx :右邊-左邊，中間為0  dy:上邊-下邊，中間0
# ksize是Sobel算子的大小
sobelx= cv2.Sobel(img,-1,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely= cv2.Sobel(img,-1,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy= cv2.Sobel(img,-1,1,1,ksize=3) # 直接合並
sobelxy1 = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) # 分開按權重合並
res = np.hstack((img,sobelx,sobely,sobelxy,sobelxy1))
cv_show('res',res)

Image(filename='./image/5.png',width=1000)

scharr算子

# 相比sobel算子就是核(值)變大了，結果更敏感一些
scharrx = cv2.Scharr(img,-1,1,0)
scharry = cv2.Scharr(img,-1,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
res = np.hstack((img,scharrx,scharry,scharrxy))
cv_show('res',res)

Image(filename='./image/6.png',width=800)

laplacian算子

0 1 0

1 -4 1

0 1 0

laplacian = cv2.Laplacian(img,-1)
cv_show('laplacian',laplacian)

Image(filename='./image/7.png',width=200)

sobel算子效果一般，scharr效果更細節，laplacian比sobel更不明顯

實驗四-圖像的膨脹、腐蝕和細化

任務：

  • 對指定圖像進行腐蝕、膨脹和細化，
  • 把得到的結果圖像都顯示於屏幕上
# 方便查看圖片導入的包
from IPython.display import Image
# 導入包，和圖片顯示函數
import cv2
import numpy as np

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()


# 讀入圖片（以灰度圖形式）
img = cv2.imread('./image/ka.png',0)
# 定義卷積核
kernel = np.ones((5,5),np.uint8)
kernel

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=uint8)

腐蝕

作用：

  • 腐蝕邊緣，白色區域減小
  • 可以有效的去除白噪聲，也可以用來斷開兩個連在一起的物體
# iterations迭代執行次數
erosion = cv2.erode(img,kernel,iterations=1)
res = np.hstack((img,erosion))
cv_show('img&erosion',res)

Image(filename = './pic/1.png', width=400)

腐蝕

作用：

  • 增加白色區域
  • 一般去噪聲時，先用腐蝕，再膨脹
  • 也可以用來連接兩個分開的物體
dilation = cv2.dilate(img,kernel,iterations=1)
res = np.hstack((img,dilation))
cv_show('img&dilation',res)

Image(filename='./pic/2.png',width=400)

開運算

作用：

  • 先腐蝕再膨脹
  • 用來去除噪聲
img_Noise = cv2.imread('./image/ka_Noise.png',0)
opening = cv2.morphologyEx(img_Noise,cv2.MORPH_OPEN,kernel)
res = np.hstack((img_Noise,opening))
cv_show('img_Noise&opening',res)

Image(filename='./pic/3.png',width=400)

閉運算

作用：

  • 先膨脹再腐蝕
  • 常用來填充前景物體中的小洞，或小黑點
img_Noise1 = cv2.imread('./image/ka_Noise1.png',0)
closing = cv2.morphologyEx(img_Noise1,cv2.MORPH_CLOSE,kernel)
res = np.hstack((img_Noise1,closing))
cv_show('img_Noise1&closing',res)

Image(filename='./pic/4.png',width=400)

形態學梯度

  • 膨脹與腐蝕的區別
  • 結果看上去就像前景物體的輪廓
  • 膨脹 - 腐蝕
gradint = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
res = np.hstack((img,gradint))
cv_show('img&gradint',res)

Image(filename='./pic/5.png',width=400)

禮帽

  • 原圖 - 開運算
kernel = np.ones((9,9),np.uint8)
tophat = cv2.morphologyEx(img_Noise,cv2.MORPH_TOPHAT,kernel)
res = np.hstack((img_Noise,tophat))
cv_show('img_Noise&tophat',res)

Image(filename='./pic/6.png',width=400)

黑帽

  • 閉運算 - 原始圖像
blackhat = cv2.morphologyEx(img_Noise1,cv2.MORPH_BLACKHAT,kernel)
res = np.hstack((img_Noise1,blackhat))
cv_show('img_Noise1&blackhat',res)

Image(filename='./pic/7.png',width=400)

總結

  • 腐蝕：減小白色區域，增加黑色區域，分開連在一起並且顏色差異不大的物體
  • 膨脹： 增加白色區域，突出白色
  • 開運算：先腐蝕，在膨脹，可去除明亮的小點
  • 閉運算：先膨脹，再腐蝕，可去除明亮物體中的小黑點
  • 禮帽：頂帽運算往往用來分離比鄰近點亮一些的斑塊
  • 黑帽：用來分離比鄰近點暗一些的斑塊

實驗五、圖像閾值處理與邊緣檢測

任務：

  • 對指定圖像進行自適應門限值分割和邊緣提取
# 方便查看圖片導入的包
from IPython.display import Image
# 導入包，和圖片顯示函數
import cv2
import numpy as np

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

# 導入圖片（原圖）
img = cv2.imread('./image/leonard_256x256.jpg',0)
cv_show('img',img)

圖像閾值處理

  • src：表示的是圖片源
  • thresh：表示的是閾值（起始值）
  • maxval：表示的是最大值
  • type：表示的是這里划分的時候使用的是什么類型的算法，常用值為0（cv2.THRESH_BINARY）
ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
print(ret) # ret就是最小值（起始值），th1是圖像
ret,th2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,th3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,th4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,th5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
res = np.hstack((th1,th2,th3,th4,th5))
cv_show('res',res)

127.0

Image(filename='./image/1.png')
# 不同參數的圖像，常用前兩種
# THRESH_BINARY 大於127取255，否知取0
# THRESH_BINARY_INV 反之

自適應閾值

  • 第一個原始圖像
  • 第二個像素值上限
  • 第三個自適應方法Adaptive Method:
  • cv2.ADAPTIVE_THRESH_MEAN_C ：領域內均值
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領域內像素點加權和，權 重為一個高斯窗口
  • 第四個值的賦值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
  • 第五個Block size:規定領域大小（一個正方形的領域）
  • 第六個常數C，閾值等於均值或者加權值減去這個常數（為0相當於閾值 就是求得領域內均值或者加權值），這種方法理論上得到的效果更好，相當於在動態自適應的調整屬於自己像素點的閾值，而不是整幅圖像都用一個閾值。
# 中值濾波
img = cv2.medianBlur(img,5)
ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,1)
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,1)
res = np.hstack((img,th1,th2,th3))
cv_show('res',res)

Image(filename='./image/2.png')

Canny邊緣檢測

    1. 使用高斯濾波器，以平滑圖像，濾除噪聲。
    1. 計算圖像中每個像素點的梯度強度和方向。
    1. 應用非極大值（Non-Maximum Suppression）抑制，以消除邊緣檢測帶來的雜散響應。
    1. 應用雙閾值（Double-Threshold）檢測來確定真實的和潛在的邊緣。
    1. 通過抑制孤立的弱邊緣最終完成邊緣檢測。

canny函數參數：

  • 后兩個參數minVal,maxVal
  • 梯度大於maxVal處理為邊界
  • 在兩者之間，連接有邊界保留，否者舍棄
  • 小於minVal，舍棄
img = cv2.imread('./image/leonard_256x256.jpg',0)
# 高斯濾波
aussian = cv2.GaussianBlur(img, (3, 3), 1)
edges = cv2.Canny(aussian,100,200)
res = np.hstack((aussian,edges))
cv_show('res',res)

Image(filename='./image/3.png',width=400)


img = cv2.imread('./image/leonard_256x256.jpg',0)
# 高斯濾波
aussian = cv2.GaussianBlur(img, (3, 3), 1)
edges = cv2.Canny(aussian,245,255)
res = np.hstack((aussian,edges))
cv_show('res',res)

Image(filename='./image/4.png',width=400)


免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。



猜您在找 數字圖像處理學習總結 數字圖像處理—學習總結 數字圖像處理(MATLAB版)學習筆記(2)——第2章 灰度變換與空間濾波 數字圖像處理（一） 數字圖像基礎 數字圖像處理 基於Python的數字圖像處理（0） 【數字圖像處理】圖像的平滑處理 數字圖像處理（一）：圖像分割 c#數字圖像處理（八）圖像平移 數字圖像處理_圖像的采樣和量化
 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM