使用OpenCV—Python实现灰度化、二值化等基本处理

物联通信社区

于 2024-10-04 22:15:27 发布

阅读量586

点赞数 12

文章标签：计算机视觉图像处理人工智能

BLOG上原创文章未经本人许可，不得用于商业用途。转载请注明出处，否则保留追究法律责任的权利

本文链接：https://blog.csdn.net/m0_74094746/article/details/140422527

版权

前言

对OpenCV、图像处理方法进行简介与操作介绍，实现了对文件夹中每个手写图像进行灰度化、二值化、膨胀和连通组件分析的基本流程并包含了错误处理和文件过滤

配置环境:

OpenCV-Python 3.4.16.59 os

numpy1.24.3

2.1 依赖库安装方式

OpenCV简介

penCV（Open Source Computer Vision Library）是一个基于开源发行的跨平台计算机视觉库，由Intel公司俄罗斯团队于1999年发起并维护。OpenCV实现了图像处理和计算机视觉方面的许多通用算法，已成为计算机视觉领域最有力的研究工具之一。它提供了C++、Python、Java和MATLAB等语言的接口，并支持Windows、Linux、Android和Mac OS等多种操作系统平台。

OpenCV的主要特点包括：跨平台、开源免费、算法丰富、语言接口多样

OpenCV操作简介

以Python为例，可以通过pip命令安装OpenCV。安装命令如下：

pip install opencv-python

基础用法：

#读取图像
import cv2  
img = cv2.imread('image_path.jpg', cv2.IMREAD_COLOR)  # 读取彩色图像

#显示图像
cv2.imshow('Image Window', img)  
cv2.waitKey(0)  # 等待按键  
cv2.destroyAllWindows()  # 关闭所有窗口


#保存图像
cv2.imwrite('save_path.jpg', img)

#图像转换
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # BGR转灰度  
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)    # BGR转RGB

#通道分离与合并
b, g, r = cv2.split(img)  # 分离通道  
img_merge = cv2.merge([b, g, r])  # 合并通道

图像处理基础

灰度化

图像处理的第一步，特别是当处理的是彩色图像时。彩色图像通常由红、绿、蓝（RGB）三个颜色通道组成，每个通道包含8位数据（即0-255的范围），表示颜色的强度。灰度化过程通过某种算法（如加权平均法、最大值法、最小值法等）将这三个颜色通道合并成一个灰度通道，从而得到一个灰度图像。灰度图像仅包含亮度信息，不包含颜色信息，这大大简化了后续处理的复杂性。

二值化

将灰度图像转换成二值图像（黑白图像）的过程。在二值化过程中，选择一个阈值，将灰度图像中的像素点根据这个阈值划分为两类：高于阈值的像素点被设置为白色（或黑色），低于阈值的像素点被设置为黑色（或白色）。二值化简化了图像内容，使得图像中只包含目标和背景两种信息，便于后续处理，如特征提取、边缘检测等。

膨胀

形态学处理中的一种基本操作，用于填充图像中的小洞、扩大物体的大小以及连接相近的物体。膨胀操作通过定义一个结构元素（通常是3x3或5x5的矩阵），然后将这个结构元素在图像上滑动，对于结构元素覆盖的每个像素点，如果结构元素中有任何像素点属于目标区域（通常是白色或高亮区域），则将该像素点标记为目标区域的一部分。膨胀操作可以用于改善图像中物体的连通性，但也可能导致物体边缘的扩展。

剔除最小连通域

一种用于去除图像中噪声或小的无关物体的技术。在二值化/膨胀后的图像中，可能存在一些小的、孤立的连通区域，这些区域可能是由噪声、图像中的微小瑕疵或无关物体引起的。通过计算每个连通区域的大小（通常是包含的像素点数），然后去除那些大小小于某个阈值的连通区域，可以有效地减少噪声和无关物体的干扰，提高图像的质量和后续处理的准确性。