OpenCV-Python小应用（九）：通过灰度直方图检测图像异常点

已于 2023-11-12 11:06:09 修改
阅读量907 收藏 2
点赞数
分类专栏： OpenCV-Python小应用 文章标签： opencv python 人工智能 目标检测 计算机视觉
于 2023-11-11 22:32:18 首次发布
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/FriendshipTang/article/details/134354012
版权

OpenCV-Python小应用（九）：通过灰度直方图检测图像异常点

在这里插入图片描述

在这里插入图片描述

前言

前提条件

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
  • OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
  • OpenCV用C++语言编写，它具有C++、Python、Java和MATLAB接口，并支持Windows、Linux、Android和Mac OS，OpenCV主要倾向于实时视觉应用，并在可用时利用MMX和SSE指令。
  • 图像的灰度值是指图像中每个像素的亮度值，通常用于黑白图像。灰度值的范围通常是0到255，其中0表示黑色，255表示白色。在计算机视觉中，灰度图像是由纯黑和纯白来过渡得到的，在黑色中加入白色就得到灰色，纯黑和纯白按不同的比例来混合就得到不同的灰度值。
  • 在灰度图像中，每个像素的颜色值都是灰度值，指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0。在灰度图像中，每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。
  • 灰度直方图是一种用来描述数字图像中灰度级分布的图形工具。它是一个灰度级的函数，表示图像中具有某种灰度级的像素的个数，反映了图像中每种灰度出现的频率。
  • 灰度直方图是图像处理中非常重要的一个概念，它是我们对图像本身灰度的一个分析以及之后我们需要做二值化的一个基础的概念
  • 灰度直方图可以用来分析图像的对比度、亮度等特征，也可以用于图像增强、图像分割、图像压缩等领域。
  • 图像灰度直方图相关知识点，可查阅OpenCV-Python快速入门（九）：直方图

实验环境

  • Python 3.6.13 （面向对象的高级语言）
  • OpenCV 3.4.10（python第三方库）pip3 install opencv-python==3.4.10.37

通过灰度直方图检测图像异常点

  • 基本思路：通过计算图像灰度，得到灰度直方图，这里认为灰度直方图中灰度值像素个数较少的灰度值大概率为异常点。
    在这里插入图片描述
  • 目录结构
    在这里插入图片描述

在这里插入图片描述

代码实现

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

def cal_low_high_hist(img):
    hist = cv2.calcHist([img],[0],None,[256],[0,255])
    flattened_hist = hist.flatten()  # [[255],[125],...] -> [255,125,...]
    # print(sum(flattened_hist)*0.125) # 下分位
    # print(sum(flattened_hist)*(1-0.125)) # 上分位
    # plt.plot(hist,color='b')
    # plt.show()
    
    # 下分位
    nums = 0
    for i in range(len(flattened_hist)):
        low_sum = sum(flattened_hist)*0.125
        nums += flattened_hist[i]
        if nums > low_sum:
            # print(i)
            break
            
    # 上分位
    nums = 0
    for j in range(len(flattened_hist)):
        low_sum = sum(flattened_hist)*(1-0.125)
        nums += flattened_hist[j]
        if nums > low_sum:
            # print(j)
            break
            
    return i,j

if __name__=="__main__":
    # 上分位计算值
    up_cal_val = [15,255]
    
    # 下分位计算值
    low_cal_val = [-255,-15]
    
    img_dir = 'imgs'
    img_name_list = os.listdir(img_dir)

    output_folder = 'out_imgs'
    if not os.path.exists(output_folder):
        os.mkdir(output_folder)

    for img_name in  img_name_list:
        img_path = os.path.join(img_dir,img_name)
        img = cv2.imread(img_path,0)
        i,j = cal_low_high_hist(img) # 下，上
        # print(i,j)
        up_cal_res = list(map(lambda x: x + j, up_cal_val))
        low_cal_res = list(map(lambda x: x + i, low_cal_val))
        # print(up_cal_res,low_cal_res) 
        up_cal_res = [x if x <= 255 else 255 for x in up_cal_res] # 亮点(异常点)
        low_cal_res = [x if x >= 0 else 0 for x in low_cal_res] # 暗点(异常点)
        # print(up_cal_res,low_cal_res) 
        
        #找到满足条件的像素点
        condition = np.logical_or(img>min(up_cal_res),img<max(low_cal_res))

        out_of_range_pixels = np.count_nonzero(condition)
        # print(out_of_range_pixels)
        # total_out_of_range_pixels += out_of_range_pixels
        
        small_image = copy.deepcopy(img)

        if out_of_range_pixels>4:
            contours,_ = cv2.findContours(condition.astype(np.uint8),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

            valid_rectangles=[]
            for i,c in enumerate(contours):
                box=cv2.boundingRect(c)
                x,y,w,h, =box
                center_x=x+w//2
                center_y=y+h//2
                # valid_rectangles.append((x,y,w,h,center_x,center_y))
                valid_rectangles.append([x,y,w,h,center_x,center_y])
                # cv2.drawContours(small_image,contours,i,(0,255.0),2)
                # cv2.rectangle(small_image,(x,y),(x+w,y+h),(0,0,255),2)

            pad = 5
            for i,(x,y,w,h,_,_) in enumerate(valid_rectangles):
                cv2.rectangle(small_image,(x-pad,y-pad),(x+w+pad,y+h+pad),(0,0,255),1)
                

            # 保存图片
            output_filename = f"{os.path.splitext(img_name)[0]}_res.jpg"
            output_path = os.path.join(output_folder,output_filename)
            cv2.imwrite(output_path,small_image)

            # 显示图片
            show_img = cv2.resize(small_image,(small_image.shape[1],small_image.shape[0]))
            cv2.imshow('{}'.format(output_filename),show_img)
            cv2.waitKey()
            cv2.destroyAllWindows()

输出结果

在这里插入图片描述
在这里插入图片描述

参考

[1] https://opencv.org/
[2] 李立宗. OpenCV轻松入门：面向Python. 北京： 电子工业出版社，2019

FriendshipT
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
opencv python统计及绘制直方图的方法
12-25
灰度直方图概括了图像的灰度级信息，简单的来说就是每个灰度级图像中的像素个数以及占有率，创建直方图无外乎两个步骤，统计直方图数据，再用绘图库绘制直方图。 统计直方图数据 首先要稍微理解一些与函数相关的术语，方便理解其在python3库中的应用和处理 BINS: 在上面的直方图当中，如果像素值是0到255，则需要256个值来显示直 方图。但是，如果不需要知道每个像素值的像素数目，只想知道两个像素值之间的像素点数目怎么办？例如，想知道像素值在0到15之间的像素点数目，然后是16到31。。。240到255。可以将256个值分成16份，每份计算综合。每个分成的小组就是一个BIN（箱）。在opencv中使
python实现直方图均衡化（用opencv实现）
01-20
python实现直方图均衡化 图像灰度变换中一个非常有用的例子就是直方图均衡化。直方图均衡化是指将一幅图像的灰度直方图变平，使变换后的图像中每个灰度值的分布概率都相同。在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。 代码如下： import cv2 img = cv2.imread( C:\\Users\\wei\\Pictures\\Saved Pictures\\apple.jpg,0) dst2 = cv2.equalizeHist(img) #直方图均衡化 cv2.imshow(img,img) cv2.ims
基于Python的SUSAN边缘检测算法.rar
07-02
本资源为基于Python的SUSAN边缘检测算法（最终展现只有边缘检测结果，不包含角点检测结果，不包含角点检测结果，不包含角点检测结果）。为避免不同环境导致代码无法运行，您可以前往我的文章中查看相关环境：https://blog.csdn.net/qq_45613931/article/details/117819107 。本资源经笔者测试，能够正常运行。如果存在异常，请注意设备环境变化。本资源自带一张检测图片，如需使用其它图片，存在报错风险，请注意。建议检测图片为尺寸较小的png图片（或自行调整尺寸及图片格式）。如有其它问题可进行留言。
11.灰度直方图概念及OpenCV绘制直方图1
08-04
物体与背景有较强对比的景物的分割特别有用；简单物体的面积和综合光密度IOD可以通过图像的直方图求得。写文章-CSDN博客二. 绘制直方图1.基础概念在直方图中，
python检测特定颜色的形状,如何在opencv / python中识别具有特定形状的直方图
weixin_34665627的博客
11-26 162
I want to segment images (from magazines) in text and image parts. I have several histograms for several ROIs in my picture. I use opencv with python (cv2).I want to recognize histograms that look lik...
使用Python，Opencv检测图像，视频中的猫
qq_40985985的博客
02-12 2931
这篇博客将介绍如何使用Python，OpenCV库附带的默认Haar级联检测器来检测图像中的猫。同样的技术也可以应用于视频流。这些哈尔级联由约瑟夫·豪斯（Joseph Howse）训练并贡献给OpenCV项目。 虽然哈尔级联非常有用，但通常使用HOG+线性SVM，因为它更容易调整检测器参数，更重要的是可以享受更低的假阳性检测率。
基于opencv的图像亮度异常检测
cumtchw
09-30 4470
图像亮度异常检测主要就是求一张图片的平均亮度，如果大于阈值则判断为过亮，小于阈值则判断为过暗，实际使用时可能不是对整张图片进行检测，而是只检测图片的某个区域，这时候可以根据传入的坐标对特定区域进行检测。 /*************************************************************************** Description:根据传入的信号灯结构体，求出左上角和右下角的坐标 parameter: lightStr:图像中包含的信号灯坐标；
详解python判断灰度图
抓饭不吃皮牙子
02-05 1190
通过上述两种方法，我们可以判断一幅图像是否为灰度图。第一种方法通过比较像素点的三个通道的数值来确定，而第二种方法则是通过检查图像的通道数。选择哪种方法取决于具体的应用场景和需求。在图像处理和计算机视觉领域的实践中，根据具体情况选择适合的方法来判断灰度图是非常重要的。
python图像灰度化_python3读取图片并灰度化图片的四种方法(OpenCV、PIL.Image、TensorFlow方法)总结...
weixin_39788960的博客
11-22 613
在处理图像的时候经常是读取图片以后把图片转换为灰度图。作为一个刚入坑的小白，我在这篇博客记录了四种处理的方法。首先导入包：import numpy as npimport cv2import tensorflow as tffrom PIL import Image方法一：在使用OpenCV读取图片的同时将图片转换为灰度图：img = cv2.imread(imgfile, cv2.IMREAD_...
python 图片识别灰度
weixin_30471065的博客
09-25 231
# -*- coding: cp936 -*- from skimage import io,transform,color import numpy as np def convert_gray(f,**args):#图片处理与格式化的函数 rgb=io.imread(f) #读取图片 gray=color.rgb2gray(rgb) #将彩色图片转...
python3+opencv 使用灰度直方图来判断图片的亮暗操作
12-17
明亮的图片的灰度直方图是比较靠后的. 因此要判断图片的亮暗,只需要统计偏暗的像素个数,再除以图片像素的总个数,得到百分比p即可,至于p大于多少即判断为暗,则可以由你自己设置.下面给出代码,此代码可以在装满图片的...
python实现图像检索的三种(直方图/OpenCV/哈希法)
haoji007的博客
05-27 2104
这篇文章主要介绍了python实现图像检索的三种(直方图/OpenCV/哈希法),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧 简介： 本文介绍了图像检索的三种实现方式，均用python完成，其中前两种基于直方图比较，哈希法基于像素分布。 检索方式是：提前导入图片库作为检索范围，给出待检索的图片，将其与图片库中的图片进行比较，得出所有相似度后进行排序，从而检索结果为相似度由高到低的图片。由于工程中还包含Qt界面类、触发函数等其.
用Python实现检查图片是否可用
搬砖屋
06-14 1979
在图像处理和计算机视觉应用中，检查图片是否可用是进行后续图像处理之前的一个重要前置任务。本文将介绍如何使用Python和OpenCV库进行图片检查，以验证图片的完整性和质量。导入所需的库并定义一个函数，用于执行图片检查。import os import cv2 def check_image(image_path) : # 检查图片文件是否存在 if not os . path . exists(image_path) : print(f"图片文件不存在： {
【机器学习】异常检测算法速览（Python代码）
fengdu78的博客
07-31 8830
正文共：8636字8图预计阅读时间：22分钟一、异常检测简介异常检测是通过数据挖掘方法发现与数据集分布不一致的异常数据，也被称为离群点、异常值检测等等。1.1 异常检测适用的场景异常...
python-opencv测试 简单图片处理实现图片灰度处理、直方图、高斯滤波和直方图均衡化
weixin_42653918的博客
03-05 2201
一、用idle测试python-opencv 先从简单的开始测试，通过课本的学习下载相关照片处理的工具包，下载安装PIL，PIL供了通用的图像处理功能，以及大量有用的基本图像操作，比如图像缩放、裁剪、旋转、颜色转换等。PIL是免费的，可以通过网址下载，但是由于PIL版本过于陈旧所以不能和python通用，刚下载PIL时命令行输入pip install PIL会出现错误，此时的解决方案为，将PIL改...
【CV】视频图像滤波技术
最新发布
ZSZ_shsf的博客
05-08 803
视频图像滤波是机器视觉领域中的重要技术之一，它可以有效地去除图像中的噪声、平滑图像、增强图像特征等。本文简要探讨视频图像滤波的原理、常用算法和应用场景。
嵌入式学习69-C++（Opencv）
PTnzl的博客
05-08 1068
----------------------------------------------------------------------------------------------------------------------------Mat 是最基本的容器类。的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。人脸检测时，将 RGB图像转化为灰度图像 变为单通道的256 ，减少运算量和cpu的损耗。Mat 其实是一个模板，可以存放不同图像的组成方式。
OpenCV 入门（三）—— 车牌筛选
tmacfrank的博客
05-03 1131
支持向量机（Support Vector Machine，SVM）是一类按监督学习（Supervised Learning）方式对数据进行二元分类的广义线性分类器。用通俗的话来讲，就是用来分类，或者说挑选东西的。对于车牌识别而言，车牌定位的候选车牌图可以分为两类：车牌与非车牌。SVM 可以对候选图进行测评，告诉我们图中的是不是车牌，相似程度是多少。当然，SVM 可以进行分类的前提还是我们使用正负样本对其进行了训练。
OpenCV 入门（六） —— Android 下的人脸识别
tmacfrank的博客
05-04 1217
本篇我们来介绍在 Android 下如何实现人脸识别。上一篇我们介绍了如何在 Windows 下通过 OpenCV 实现人脸识别，实际上，在 Android 下的实现的核心原理是非常相似的，因为 OpenCV 部分的代码改动不大，绝大部分代码可以直接移植到 Android 上。最主要的区别是，Android 摄像头采集图像的代码要复杂一些，而 Windows 下几行代码就搞定了。我们会介绍 Camera1 和 CameraX 两种方式。
opencv-python 图像直方图和直方图均衡化
04-12
- 计算原始图像的灰度直方图； - 计算累积分布函数（CDF）； - 根据CDF对原始图像进行灰度级别映射，得到均衡化后的图像。 通过直方图均衡化，我们可以改善图像的视觉效果，使得图像更加清晰、对比度更强。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

FriendshipT

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