OpenCV与Matplotlib：灰度图像

于 2024-09-05 16:00:00 发布
阅读量743 收藏 14
点赞数 19
分类专栏： AI学习之路 文章标签： opencv matplotlib 人工智能 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DDDDWJDDDD/article/details/141867715
版权

        

目录

读取灰度图像

代码解释

1. 导入库

2. 读取彩色图像

3. 转换为灰度图像

4. 将 BGR 图像转换为 RGB 格式

5. 创建子图并显示图像

总结：

整体代码

效果展示

衍生操作

1. 边缘检测

代码说明

整体代码

效果展示

2. 图像二值化

代码说明

整体代码

效果展示

3. 直方图均衡化

4. 轮廓检测

代码说明

整体代码

效果展示

5. 图像分割

代码说明

总结

整体代码

 效果展示

分割的是什么？

图像分割的结果

所分割的内容

总结

如何使用 OpenCV 和 Matplotlib 读取、处理并显示图像。即将为您解答：

读取灰度图像

代码解释

1. 导入库
import cv2
import matplotlib.pyplot as plt

首先，导入了两个重要的库：

  • cv2 是 OpenCV 库，用于图像处理。
  • matplotlib.pyplot 是 Matplotlib 的子模块，用于绘制图像和图表。
2. 读取彩色图像
 

image = cv2.imread('001.jpg')

 

 

        这里使用 cv2.imread 函数读取了一张名为 001.jpg 的图像文件。默认情况下，OpenCV 读取图像时会将其存储为 BGR（蓝-绿-红）格式的图像。
 

3. 转换为灰度图像
 

 

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

 

 

        接下来，使用 cv2.cvtColor 函数将彩色图像转换为灰度图像。灰度图像仅包含亮度信息，没有颜色信息，每个像素用单一灰度值表示。这种转换在图像处理和分析中非常常见，因为灰度图像更简单、更易于处理。
 

4. 将 BGR 图像转换为 RGB 格式
 

 

image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

 

 

        由于 OpenCV 使用 BGR 顺序存储图像，而 Matplotlib 使用 RGB 顺序显示图像，所以在显示图像之前，需要将图像从 BGR 转换为 RGB。
 

5. 创建子图并显示图像
 

 

plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

plt.show()

 

 

  • plt.figure(figsize=(10, 5))：创建一个宽度为 10 英寸、高度为 5 英寸的图像窗口。
  • plt.subplot(1, 2, 1) 和 plt.subplot(1, 2, 2)：创建一个包含两幅子图的窗口。1, 2, 1 表示第一行有两个子图，这是第一个子图；1, 2, 2 表示第二个子图。
  • plt.imshow(image_rgb) 和 plt.imshow(gray_image, cmap='gray')：显示 RGB 图像和灰度图像。cmap='gray' 参数用于指定灰度图像的颜色映射。
  • plt.title 设置每个子图的标题。
  • plt.axis('off')：隐藏坐标轴，专注于图像本身。
  • plt.show()：显示图像窗口。
 

总结：
 

        这段代码展示了如何读取彩色图像，将其转换为灰度图像，然后使用 Matplotlib 显示这两种图像。通过理解这些步骤，学生可以学会如何使用 Python 进行基础的图像处理任务，包括图像的读取、格式转换和显示。
 

 

整体代码
 

import cv2
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv2.imread('001.jpg')
# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 将 BGR 图像转换为 RGB 格式
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 创建子图进行显示
plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

plt.show()

 

效果展示
 

 

 

 

 

 
 

衍生操作
 

        既然已经读取了灰度图像，我们也不可能只是为了体验一下没有色彩的世界对吧，所以拿到灰度图像之后我们还可以做一些更有意义的事情。
 

 

1. 边缘检测
 

灰度图像通常是边缘检测的第一步，可以使用 Canny 算法进行边缘检测。
 

 

代码说明
 

  1.  
    读取彩色图像：
     
    image = cv2.imread('001.jpg')
     
    从文件中读取图像，并存储在 image 变量中。
     
  2.  
    转换为灰度图像：
     
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
     
    将彩色图像转换为灰度图像，这是边缘检测的常见预处理步骤，因为边缘主要基于亮度变化。
     
  3.  
    进行边缘检测：
     
    edges = cv2.Canny(gray_image, threshold1=100, threshold2=200)
     
    使用 Canny 算法进行边缘检测。threshold1 和 threshold2 是低阈值和高阈值参数，用于控制检测到的边缘的敏感度。
     
  4.  
    图像转换与显示：
     
  
    • image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)：将图像从 BGR 转换为 RGB 格式，以便在 Matplotlib 中正确显示颜色。
    • plt.subplot(1, 3, 1), plt.subplot(1, 3, 2), plt.subplot(1, 3, 3)：创建包含三个子图的图像窗口。
    • plt.imshow(edges, cmap='gray')：显示边缘检测结果。
  5.  
    展示结果：
     
    plt.show()
     
    显示包含原图像、灰度图像和边缘检测结果的图像窗口。
     
 

整体代码
 

import cv2
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv2.imread('001.jpg')

# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用Canny算法进行边缘检测
edges = cv2.Canny(gray_image, threshold1=100, threshold2=200)

# 将BGR图像转换为RGB格式（用于Matplotlib显示）
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 创建子图进行显示
plt.figure(figsize=(15, 5))

plt.subplot(1, 3, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 3, 2)
plt.imshow(gray_image, cmap='gray')
plt.title('Grayscale Image')
plt.axis('off')

plt.subplot(1, 3, 3)
plt.imshow(edges, cmap='gray')
plt.title('Edge Detection')
plt.axis('off')

plt.show()

 

 

效果展示
 

        最右边为边缘检测的结果
 

 

 

 

应用： 用于检测图像中的物体边界和轮廓，如车道线检测、人脸轮廓识别等。
 

2. 图像二值化
 

二值化是一种将灰度图像转换为仅有黑白两色的图像的过程，可以使用阈值方法进行二值化。
 

代码说明
 

  •  
    读取彩色图像：
     
    image = cv2.imread('001.jpg')
     
    从文件中读取图像，并存储在 image 变量中。
     
  •  
    转换为灰度图像：
     
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
     
    将彩色图像转换为灰度图像，以便进行二值化处理。
     
  •  
    应用二值化：
     
    _, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

     
    使用 cv2.threshold 函数进行二值化。参数说明：
     
  
    • gray_image 是要处理的灰度图像。
    • 127 是二值化的阈值，像素值大于 127 的会被设为 255，像素值小于或等于 127 的会被设为 0。
    • 255 是像素值被设为白色的值。
    • cv2.THRESH_BINARY 是指定二值化操作的类型。
  •  
    图像转换与显示：
     
  
    • image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)：将图像从 BGR 转换为 RGB 格式，以便在 Matplotlib 中正确显示颜色。
    • plt.subplot(1, 2, 1) 和 plt.subplot(1, 2, 2)：创建包含两个子图的图像窗口，一个显示原图像，一个显示二值化图像。
  •  
    展示结果：
     
    plt.show()
     
    显示包含原图像和二值化图像的图像窗口。
     
 

 

整体代码
 

import cv2
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv2.imread('001.jpg')

# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用二值化，使用127作为阈值，将大于127的像素值设为255，其余设为0
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

# 将BGR图像转换为RGB格式（用于Matplotlib显示）
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 创建子图进行显示
plt.figure(figsize=(10, 5))

plt.subplot(1, 2, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(binary_image, cmap='gray')
plt.title('Binary Image')
plt.axis('off')

plt.show()

 

效果展示
 

 

 

应用： 二值化图像常用于形状检测、对象分割、OCR（光学字符识别）等领域。
 

3. 直方图均衡化
 

通过直方图均衡化可以增强图像的对比度，使得原本对比度较低的图像变得更加清晰。
 

 

equalized_image = cv2.equalizeHist(gray_image)

plt.figure(figsize=(10, 5))
plt.imshow(equalized_image, cmap='gray')
plt.title('Histogram Equalization')
plt.axis('off')
plt.show()

 

 

应用： 常用于医学影像处理、卫星图像处理等场景，提高细节可见性。
 

 

4. 轮廓检测
 

可以在二值化图像上进行轮廓检测，识别图像中的形状和对象。
 

 

代码说明
 

  •  
    读取彩色图像：
     
    image = cv2.imread('001.jpg')
     
    从文件中读取图像，并存储在 image 变量中。
     
  •  
    转换为灰度图像：
     
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
     
    将彩色图像转换为灰度图像，为后续的二值化和轮廓检测做准备。
     
  •  
    应用二值化：
     
    _, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
     
    使用 cv2.threshold 进行二值化，将图像转为黑白图像（只有0和255两种值）。
     
  •  
    检测轮廓：
     
    contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

     
    使用 cv2.findContours 检测图像中的轮廓。参数说明：
     
  
    • binary_image 是输入的二值化图像。
    • cv2.RETR_EXTERNAL 表示只检测外轮廓。
    • cv2.CHAIN_APPROX_SIMPLE 使用简单的轮廓近似方法来节省内存。
  •  
    绘制轮廓：
     
     
    contour_image = image.copy()
cv2.drawContours(contour_image, contours, -1, (0, 255, 0), 2)

     
     
    在原图像的副本上绘制检测到的轮廓。(0, 255, 0) 指定轮廓的颜色为绿色，2 是线条的粗细。
     
  •  
    图像转换与显示：
     
  
    • image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) 和 contour_image_rgb = cv2.cvtColor(contour_image, cv2.COLOR_BGR2RGB)：将图像从 BGR 转换为 RGB 格式，以便在 Matplotlib 中正确显示颜色。
    • plt.subplot(1, 3, 1)、plt.subplot(1, 3, 2) 和 plt.subplot(1, 3, 3)：创建包含三个子图的图像窗口，分别显示原图像、二值化图像和带有轮廓的图像。
  •  
    展示结果：
     
     
    plt.show()

     
     
    显示包含原图像、二值化图像和检测到的轮廓图像的窗口。
     
 

 

整体代码
 

import cv2
import matplotlib.pyplot as plt

# 读取彩色图像
image = cv2.imread('001.jpg')

# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用二值化
_, binary_image = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)

# 检测轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原图像上绘制轮廓
contour_image = image.copy()
cv2.drawContours(contour_image, contours, -1, (0, 255, 0), 2)

# 将BGR图像转换为RGB格式（用于Matplotlib显示）
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
contour_image_rgb = cv2.cvtColor(contour_image, cv2.COLOR_BGR2RGB)

# 创建子图进行显示
plt.figure(figsize=(15, 5))

plt.subplot(1, 3, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 3, 2)
plt.imshow(binary_image, cmap='gray')
plt.title('Binary Image')
plt.axis('off')

plt.subplot(1, 3, 3)
plt.imshow(contour_image_rgb)
plt.title('Contours Detected')
plt.axis('off')

plt.show()

 

效果展示
 

 

 

应用： 用于对象检测、形状分析、物体追踪等。
 

5. 图像分割
 

可以通过基于阈值、区域增长、边缘检测等方法对图像进行分割，提取感兴趣的区域。
 

 

代码说明
 

  1.  
    读取彩色图像
     
     
    image = cv2.imread('001.jpg')
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

     
     
  
    • cv2.imread('001.jpg') 读取图像文件，并将其存储在 image 变量中。OpenCV 默认以 BGR 格式读取图像。
    • cv2.cvtColor(image, cv2.COLOR_BGR2RGB) 将图像从 BGR 格式转换为 RGB 格式，适用于 Matplotlib 显示。
  2.  
    图像数据的形状转换
     
     
    pixel_values = image_rgb.reshape((-1, 3))
pixel_values = np.float32(pixel_values)

     
     
  
    • image_rgb.reshape((-1, 3)) 将图像重塑为一个二维数组，其中每行包含一个像素的 RGB 颜色值。这样，原始的 (height, width, 3) 形状变为 (height * width, 3)。
    • np.float32(pixel_values) 将像素值转换为浮点型，这是 K-Means 聚类所需的格式。
  3.  
    定义 K-Means 聚类参数
     
     
    k = 4
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
_, labels, centers = cv2.kmeans(pixel_values, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

     
     
  
    • k = 4 表示我们要将图像分成 4 个不同的颜色簇。
    • criteria 是 K-Means 算法的终止条件，设定了迭代次数和精度要求。
    • cv2.kmeans 执行 K-Means 聚类算法，并返回 labels 和 centers。labels 表示每个像素所属的簇，centers 是每个簇的中心点（代表的颜色）。
  4.  
    转换为 8 位整数
     
     
    centers = np.uint8(centers)
labels = labels.flatten()

     
     
  
    • centers 中的颜色值转换为 8 位整数以便显示。
    • labels.flatten() 将标签展平成一维数组，便于后续操作。
  5.  
    将每个像素值转换为其中心值
     
     
    segmented_image = centers[labels.flatten()]

     
     
  
    • 将每个像素的颜色值替换为其所属簇的中心值。这将使图像显示为仅包含 k 个颜色的版本。
  6.  
    重塑为原始图像形状
     
     
    segmented_image = segmented_image.reshape(image_rgb.shape)

     
     
  
    • 将图像从 (height * width, 3) 重新塑造为原始的 (height, width, 3) 形状，以便显示。
  7.  
    创建遮罩，用于分割图像
     
     
    labels_reshape = labels.reshape(image_rgb.shape[:2])
mask = labels_reshape == 0

     
     
  
    • labels_reshape 将标签重塑为与图像的高和宽匹配的二维数组。
    • mask = labels_reshape == 0 创建了一个布尔掩码，选择标签为 0 的像素。这将用于分割出这个簇对应的部分。
  8.  
    提取对象
     
     
    segmented_image_2 = np.copy(image_rgb)
segmented_image_2[~mask] = 0

     
     
  
    • segmented_image_2 复制原始图像。
    • segmented_image_2[~mask] = 0 将掩码之外的部分（即未选择的簇）设为黑色，保留选中的对象。
  9.  
    显示原图和分割后的图像
     
    plt.figure(figsize=(10, 5))
plt.subplot(1, 3, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 3, 2)
plt.imshow(segmented_image)
plt.title('Segmented Image (K-Means)')
plt.axis('off')

plt.subplot(1, 3, 3)
plt.imshow(segmented_image_2)
plt.title('Object Extraction')
plt.axis('off')

plt.show()

     
  
    • 使用 Matplotlib 在同一窗口中显示原始图像、K-Means 分割后的图像，以及根据掩码提取的特定对象。
 

总结
 

        这个代码主要利用 K-Means 聚类算法对图像进行颜色分割。然后通过选择特定的颜色簇，提取出感兴趣的部分。可以通过修改 mask 的条件来提取不同的颜色区域，进行更复杂的图像分析和处理。
 

 

整体代码
 

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

# 读取彩色图像
image = cv2.imread('001.jpg')
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 图像数据的形状
pixel_values = image_rgb.reshape((-1, 3))
pixel_values = np.float32(pixel_values)

# 定义K-Means聚类参数
k = 4  # 聚类的数量
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
_, labels, centers = cv2.kmeans(pixel_values, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

# 转换为8位整数
centers = np.uint8(centers)
labels = labels.flatten()

# 将每个像素值转换为其中心值
segmented_image = centers[labels.flatten()]

# 重塑为原始图像形状
segmented_image = segmented_image.reshape(image_rgb.shape)

# 创建遮罩，用于分割图像
labels_reshape = labels.reshape(image_rgb.shape[:2])
mask = labels_reshape == 0  # 可选择分割哪个簇

# 提取对象
segmented_image_2 = np.copy(image_rgb)
segmented_image_2[~mask] = 0

# 显示原图和分割后的图像
plt.figure(figsize=(10, 5))

plt.subplot(1, 3, 1)
plt.imshow(image_rgb)
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 3, 2)
plt.imshow(segmented_image)
plt.title('Segmented Image (K-Means)')
plt.axis('off')

plt.subplot(1, 3, 3)
plt.imshow(segmented_image_2)
plt.title('Object Extraction')
plt.axis('off')

plt.show()

 

 

 效果展示
 

 

 

        在这个代码中，使用了 K-Means 聚类 来对图像进行分割。K-Means 是一种常见的聚类算法，它将图像中的像素聚类成 kkk 个不同的组（簇）。然后我们可以根据这些聚类的结果选择要分割的对象。
 

分割的是什么？
 

        具体来说，K-Means 将图像中的每个像素根据颜色相似性划分到 kkk 个簇中。在这段代码中，k=4，这意味着图像中的像素会被分成 4 个不同的组（颜色簇）。每个簇表示图像中颜色相近的一组像素。分割的对象取决于你选择了哪个簇来提取。
 

        在代码中，以下部分决定了你要分割哪个簇：
 

mask = labels_reshape == 0 # 可选择分割哪个簇
 

        这里 labels_reshape == 0 意味着你选择了标签为 0 的簇，即第一组被聚类出来的像素。这个簇可能代表图像中的一个主要颜色区域。
 

图像分割的结果
 

  • 原始图像：展示了原始的 RGB 图像。
  • 分割后的图像 (Segmented Image)：这是 K-Means 聚类后的图像，它会将图像中的颜色减少到 4 种颜色之一（因为 k=4）。
  • 对象提取 (Object Extraction)：这个图像展示了从原始图像中提取出来的部分。只有那些被分配到标签 0 的像素保留了原始颜色，其他区域被设为黑色。
 

所分割的内容
 

        由于 K-Means 是基于颜色的聚类算法，具体分割的内容取决于图像本身及其颜色分布。举例来说：
 

  • 如果图像中有明显的蓝天、绿草和红花，K-Means 可能会将这些部分分成不同的簇。
  • 如果你选择 mask = labels_reshape == 0，那么代码将提取第一个簇中的像素，比如整个蓝天或某个颜色主导的区域。
 

要点：通过改变 mask = labels_reshape == 0 中的数字（比如 1, 2, 3），你可以选择提取不同的图像部分。这取决于你的目标是什么，比如提取特定颜色的物体或区域。
 

 

应用： 在医学影像中分割器官或肿瘤，在遥感图像中分割土地覆盖类型等。
 

 

总结
 

        其实他整体的应用还是有很多的，这些也只是一些最基本的应用，大家可以多多开展一下自己的思路，创造更多的好点子。
 

 


                

        

        

    

  


    

      

        

            

              
                
                  WenJGo
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    19
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    14
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
opencv，matplotlib图像处理常见问题

				
			

			

				

					weixin_48341586的博客
				

				

					11-13
					
					1298
					
				

			

		

		

			
				
opencv，matplotlib图像处理常见问题

			
		

	



                

              
                



	

		

			

				
					
灰度拉伸python,Python OpenCV实例：图像灰度拉伸

				
			

			

				

					weixin_42118423的博客
				

				

					03-27
					
					2461
					
				

			

		

		

			
				
Python OpenCV实例：图像灰度拉伸Python OpenCV实例：图像灰度拉伸为什么80%的码农都做不了架构师？>>>#coding:utf-8'''灰度拉伸定义：灰度拉伸，也称对比度拉伸，是一种简单的线性点运算。作用：扩展图像的直方图，使其充满整个灰度等级范围内公式：g(x,y) = 255 / (B - A) * [f(x,y) - A],其中，A = min[f(...

			
		

	



                


  
              

                


	

		

			

				
					
Opencv 图像处理：图像基础操作与灰度转化

				
			

			

				

					timerring的博客
				

				

					10-25
					
					5969
					
				

			

		

		

			
				
图像属性
1.图像格式
图像压缩比: 通过编码器压缩后的图象数字大小和原图象数字大小的压缩比。

BMP 格式
Windows系统下的标准位图格式，未经过压缩，一般图像文件会比较大。在很多软件中被广泛应用。
JPEG 格式
也是应用最广泛的图片格式之一，它采用一种特殊的有损压缩算法，达到较大的压缩比可达到 2:1 甚至 40:1，互联网上最广泛使用的格式
GIF 格式
不仅可以是一张静止的图片，也可以是动画，并且支持透明背景图像，适用于多种操作系统， 体型很小，网上很多小动画都是 GIF 格式。但是其色域不

			
		

	





	

		

			

				
					
matplotlib与opencv图像读取与显示的问题

				
			

			

				

					aqwca的博客
				

				

					11-30
					
					372
					
				

			

		

		

			
				
最近在用opencv和matplotlib展示图片,但是遇到了一些问题,这里展开说说首先需要明确的是,opencv和matplotlib读取图片都是通道在最后,而前者默认可见光图像是BGR,后者是RGB.此外还有PIL以及imageio等读取图像的工具,这里不一一赘述.

			
		

	



		

			
		



	

		

			

				
					
Python学习笔记2——opencv以及matplotlib图像处理

				
			

			

				

					qq_62780732的博客
				

				

					11-08
					
					493
					
				

			

		

		

			
				
opencv读取一幅彩色图像,matplotlib画直方图,计算波段生成灰度图，对波段进行灰度线性拉伸，图像缩放、旋转、翻转、平移，将矩阵保存为保存图像。

			
		

	





	

		

			

				
					
Opencv与Matplotlib图片颜色展示不一致

				
			

			

				

					weixin_44166070的博客
				

				

					11-07
					
					1074
					
				

			

		

		

			
				
opencv与matplotlib展示图片颜色不同的原因

			
		

	





	

		

			

				
					
【Python+OpenCV—matplotlib绘制灰度/彩色直方图 Hist】

				
			

			

				

					LPY coder的博客
				

				

					12-22
					
					4486
					
				

			

		

		

			
				
Python+OpenCV—Matplotlib绘制灰度/彩色直方图一、Matplotlib.Pyplot简介1、Matplotlib2、Pyplot二、灰度直方图1、主要函数(1) calcHist()(2) hist()2、实现代码3、效果示例三、彩色直方图1、实现代码2、效果示例
一、Matplotlib.Pyplot简介
1、Matplotlib
Matplotlib 是 Python 的绘图库，它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。
Matplotlib 可以用来绘制各种静态

			
		

	





	

		

			

				
					
Matplotlib显示灰度图

				
			

			

				

					罟霖同学的站点
				

				

					10-02
					
					6874
					
				

			

		

		

			
				
引言
 matplotlib中的imshow()函数不能自动显示灰度图像，这一点应该是众所周知的，需要调用cmap=“gray"以进行设置，但是cmap="gray"实际上并不是如opencv中的imshow函数一样将单通道图显示为灰度图，私以为是引入了灰度图的灰度量化概念，但并不直接对应灰度，证明见正文。
一、测试
 设置一全1.0的图像（全白），和一全白背景叠加黑色条柱的图像，使用plt.imshow()显示。
代码：
import matplotlib.pyplot as plt
import num

			
		

	





	

		

			

				
					
python中利用opencv、matplotlib读取和显示图像

				
			

			

				

					W9XM96的博客
				

				

					10-20
					
					2451
					
				

			

		

		

			
				
前言
每次在python里敲代码，总要忘记咋子显示图片，所以直接进行个小整理，忘了直接copy过去就完事????
一、opencv读取图片
opencv读入的数据为uinit型，范围为0-255；（PIL也是）
import cv2
img = cv2.imread("./image/test.png")   //opencv读取图片

二、opencv显示图片
import cv2
def cv_show(name,img):    //自定义显示函数
    cv2.imshow(name,img)
 

			
		

	





	

		

			

				
					
OpenCV图像处理-灰度处理

				
			

			

				

					Code搬运工
				

				

					06-24
					
					9992
					
				

			

		

		

			
				
OpenCV图像处理  灰度处理

			
		

	





	

		

			

				
					
【matplotlib + opencv】关于opencv和matplotlib绘制图像时，出现色差色偏的问题探讨，思考，解决。（深度学习数据包plt.imshow绘制的图像底色偏绿蓝偏黄）

				
			

			

				

					12-21
				

			

		

		

			
				
总结一下，解决OpenCV与Matplotlib图像显示色差的关键在于理解它们对颜色通道的不同处理方式。对于OpenCV的BGR图像，必须转换为RGB才能正确显示在Matplotlib中。而在使用`plt.imshow()`时，要注意数据的范围和类型，...

			
		

	





	

		

			

				
					
python opencv、matplotlib、PIL图像处理库之间的区别、联系、以及互相转换

				
			

			

				

					qq_25929079的博客
				

				

					11-17
					
					1937
					
				

			

		

		

			
				
opencv
a.	读取图像：
img = cv.imread(path)
opencv库使用imread读取得到的默认是一个BGR模式的彩色图像，可以使用cv.cvtColor(img, cv.COLOR_BGR2RGB)将颜色模式转化成RGB。opencv的基本图像类型与numpy数组可以互相转化。因此可以直接调用torch.from_numpy(img)将图像转成tensor。
b.	保存...

			
		

	





	

		

			

				
					
[OpenCV] 数字图像处理 C++ 学习——11自定义线性滤波 附完整代码

				
			

			

				

					m0_60437290的博客
				

				

					09-01
					
					1824
					
				

			

		

		

			
				
线性滤波用于去噪、平滑、边缘检测等操作。通过定义卷积核（算子）与图像进行卷积，线性滤波器可以有效地提取图像中的特定特征。本文将介绍几种常见的边缘检测算子，包括 Robert算子、Sobel 算子和拉普拉斯算子，并展示如何在 OpenCV 中实现这些滤波器的自定义操作。将提供完整的代码，以便学习使用。

			
		

	





	

		

			

				
					
opencv之阈值处理

				
			

			

				

					hola173841439的博客
				

				

					08-31
					
					1570
					
				

			

		

		

			
				
最大化类间方差（Between-Class Variance）是 Otsu’s 阈值法的核心概念，旨在选择一个最佳阈值，使得图像的前景和背景之间的差异最大化。这种方法通过分析图像的灰度直方图，找到一个阈值，使得图像被分割成前景和背景后，它们之间的类间方差最大。全局阈值适合简单、光照均匀的图像，计算速度快但对复杂场景效果不好。自适应阈值适合光照不均的复杂图像，能更好地处理细节，但计算复杂度较高。Otsu’s 阈值法是一种自动选择阈值的全局方法，适合灰度直方图呈双峰分布的图像。

			
		

	





	

		

			

				
					
OPenCV结构分析与形状描述符（1）近似多边形轮廓顶点的函数approxPolyDP()的使用

				
			

			

				

					jndingxin的专栏
				

				

					09-04
					
					638
					
				

			

		

		

			
				
cv::approxPolyDP 函数使用另一条曲线或多边形来近似一条曲线或多边形，新曲线或多边形的顶点数较少，且两者之间的距离小于或等于指定的精度。该函数使用 Douglas-Peucker 算法。

			
		

	





	

		

			

				
					
OpenCV开发笔记（八十）：基于特征点匹配实现全景图片拼接

				
			

			

				

					
				

				

					09-02
					
					3291
					
				

			

		

		

			
				
一个摄像头视野不大的时候，我们希望进行两个视野合并，这样让正视的视野增大，从而可以看到更广阔的标准视野。拼接的方法分为两条路，第一条路是Sticher类，第二条思路是特征点匹配。本篇使用特征点匹配，进行两张图来视野合并拼接。

			
		

	





	

		

			

				
					
传统CV算法——基于opencv的答题卡识别判卷系统

				
			

			

				

					swpucwf的博客
				

				

					09-03
					
					2857
					
				

			

		

		

			
				
实现答题卡识别系统中的各个功能。每个步骤都是自动化处理的关键部分，确保系统能够准确地读取和评分答题卡。通过这样的方式，可以大大减少人工操作的需求，提高评分的效率和准确性。

			
		

	





	

		

			

				
					
opencv之形态学

				
			

			

				

					hola173841439的博客
				

				

					08-31
					
					1405
					
				

			

		

		

			
				
在图像处理领域，形态学是一种基于形状的图像分析技术，用于提取和处理图像的形态特征。这包括膨胀、腐蚀、开运算、闭运算等操作，广泛应用于边缘检测、图像分割和噪声去除等方面。形态学操作的核心概念是结构元（Structuring Element），这是一个定义形态学操作如何应用于图像的形状或模板。结构元可以是任意形状的，如方形、圆形、十字形等，应用于图像时，结构元素在图像上滑动，决定了哪些像素会被膨胀、腐蚀或其他形态学操作影响。

			
		

	





	

		

			

				
					
opencv --- 人脸识别、人脸比对

					
最新发布

				
			

			

				

					weixin_40277684的博客
				

				

					09-04
					
					759
					
				

			

		

		

			
				
windows：进入到opencv的安装目录：进入到build\java 目录。

			
		

	





	

		

			

				
					

				
			

			

				

					
				

			

		

		

			
				

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
WenJGo

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值