OpenCV基础（4）--图像预处理

已于 2024-05-13 18:59:11 修改
阅读量1.1k 收藏 29
点赞数 22
分类专栏： OpenCV 文章标签： opencv 图像处理
于 2024-05-13 18:56:56 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/philosopher123/article/details/138509185
版权

1. 颜色空间

1.1 BGR颜色空间

在opencv中，三原色顺序为BGR，每个通道灰度级为0-255，（0,0,0）则说明无颜色混合，为黑色，（255,255,255）为白色。opencv中还有4通道，为BGRA模型，A表示透明度，也叫alpha阿尔法通道。

1.2 HSV颜色空间

H： hue色度，对应颜色，如红绿蓝；

S：saturation饱和度，对应于深浅，类似于灰度级；

V：value亮度，对应于图像的明暗。

HSV更符合人眼感知颜色的方式。

1.3 GRAY灰度颜色空间

0-255层级，由黑----到白的变化。单通道。

1.4 cvtColor()颜色转化

此外还有YUV，Lab等颜色空间，不详细叙述。

cvtColor()颜色空间转换方式为：

COLOR_BGR2GRAY: BGR--->GRAY

COLOR_BGR2HSV: BGR---->HSV

COLOR_HSV2BGR: HSV--->BGR

通俗易懂。

示例程序：

// BGR空间转为HSV
cvtColor(origin_img, new_img, COLOR_BGR2HSV);

1.5 通道颜色分离与合并

2个概念：

  • 像素深度：存储每个像素的位数，例如CV_8U为8位；
  • 图像深度：实际用于存储像素位数的深度，如定义16位只用到15位，则为15位图像深度。

对于BGR颜色空间，有3个通道。有时只想处理R红色，则需要分离，处理完成后又需要合并B,G,R像素。

opencv提供方法为：分离函数cv::split()，以及合并函数cv::merge()。

【示例】分离图片的通道，修改R的数值，再合并：

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main() {
    // 读取图像
    cv::Mat img = cv::imread("D:/Project_Images/ikun.png");

    if (img.empty()) {
        std::cout << "无法打开图像" << std::endl;
        return -1;
    }

    // 分离 RGB 三个通道
    std::vector<cv::Mat> channels;
    cv::split(img, channels);

    // 显示分离后的三个通道：B G R
    cv::imshow("Blue Channel", channels[0]);
    cv::imshow("Green Channel", channels[1]);
    cv::imshow("Red Channel", channels[2]);

    // 修改 R 通道数值
    cv::Mat& r_channel = channels[2];
    // 阈值化处理像素值
    cv::threshold(r_channel, r_channel, 128, 255, cv::THRESH_BINARY);

    // 合并三个通道为一张图像
    cv::Mat merged_img;
    cv::merge(channels, merged_img);        


    cv::namedWindow("Split and Merge", cv::WINDOW_NORMAL);
    cv::imshow("Split and Merge", merged_img);
    cv::waitKey(0);

    // 关闭窗口
    cv::destroyAllWindows();

    return 0;
}

示例效果：

2. 点运算

常用于改变图像的灰度范围及分布，有时也称为对比度增强，对比度拉伸或灰度变换。包括图像灰度变换，直方图处理，伪色彩处理等技术。

2.1 像素点操作和卷积

1. 首先需要学会对像素值访问，在本系列博客讲义之前的Mat数据读取中讲过。

1. 指针法
src.ptr<Vec3b>(i)[j][c] = 255;    // 注意() []

ptr 是Mat中定义好的类函数
先索引i行的地址，再找到j的位置

2. at访问
src.at<Vec3b>(i, j)[c] = 0;

2. 像素点亮度处理

示例：

src.at<Vec3b>(i,j)[c] = saturate_cast<uchar>(src.at<Vec3b>(i, j)[c] + 5 )

直接在像素值上加或减即可，分别对应提高和降低亮度

3. 图像卷积：

去噪，滤波，边缘提取都需要使用到图像卷积，目的是使各个目标的差距变得更大。常见的应用为锐化（突出边缘）和边缘提取。

4. 卷积原理和过程：

数字图像是二维的离散信号，卷积操作是将卷积核在图像上滚动，将图像上的像素灰度值和对应的卷积核上的数值相乘，然后将相乘的值相加作为卷积核中心上的值（可正可负）。

5. 卷积核选择规则：

  • 大小奇数，例如3*3，5*5，7*7；
  • 所有元素之和为1，是为了维持原图像的能量守恒，也有不为1的特殊情况；
  • 如果卷积后的矩阵所有元素和>1， 比原图像会更亮，< 1，会比原图像更暗。 = 0， 不会全黑但会很暗。

6. opencv中提供filter2D（）实现卷积操作

示例程序：

filter2D(src, dst, src.depth(), kernel);
// 原图像，输出图，图像深度，卷积核

使用二维卷积操作：

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main()
{
    Mat src_image = imread("D:/Project_Images/ikun.png");
    imshow("origin image", src_image);
    // 创建一个卷积核
    Mat kernel = (Mat_<double>(3, 3) <<
        -1, 0, 1,
        -2, 0, 2,
        -1, 0, 1);
    Mat dst_image;
    filter2D(src_image, dst_image, src_image.depth(), kernel);
    imshow("convert image", dst_image);
    waitKey(0);
    return 0;
}

运行效果：

明显可以看出，ikun的轮廓被突出。

7. 卷积操作调参比较简单，不同卷积操作只需要改变卷积核即可，以下是几种常见的卷积核：

均值滤波核：

1/ 91/ 91/ 9
1/ 91/ 91/ 9
1/ 91/ 91/ 9

高斯滤波核（正态分布）

1/162/161/16
2/164/162/16
1/162/161/16

边缘锐化核：

-1-1-1
-19-1
-1-1-1

可以看到，这个卷积核，刻意将边缘像素值与中心点像素值区分开来。有很明显的锐化效果。

2.2 图像像素值反转

适用于增强嵌入在图像暗色区域的白色或灰色细节，简而言之，黑色变白色，白变黑。

示例：遍历像素点反转灰度图的像素值

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main()
{
    Mat src;
    int height, width;
    int i, j;
    src = imread("D:/Project_Images/ikun_gray.png");
    if (!src.data)
    {
        cout << "no image!" << endl;
        return -1;
    }
    height = src.rows;
    width = src.cols * src.channels();
    imshow("origin image", src);
    // 遍历操作像素值
    for (i = 0; i < height; i++)
    {
        for (j = 0; j < width; j++)
        {                      
            src.at<uchar>(i, j) = 255 - src.at<uchar>(i, j);
        }
    }
    imshow("convert image", src);
    waitKey(0);
    return 0;
}

可以看到，黑白颜色交换了。

也可以使用OpenCV提供的接口方法：

bitwise_not(src, dst):位反转，就是上面的代码操作
bitwise_and(src, dst):位与操作
bitwise_or(src, dst): 或操作
bitwise_xor(src, dst): 异或操作

2.3 像素值对数变换

可以拉伸范围较窄的低灰度值，同时压缩范围较宽的高灰度值，可以用来扩展图像中的暗像素值，同时压缩亮像素值。

示例程序：

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
// 将每个像素点的3个数值都变换
void log_transfor(Mat& img, Mat& result)
{
    result = img.clone();
    int rows = img.rows;
    int cols = img.cols;
    for (int i = 0; i < rows; i++)
    {
        for (int j = 0; j < cols; j++)
        {
            for (int k = 0; k < 3; k++)
            {
                // 彩色图像对数变换
                result.at<Vec3b>(i, j)[k] = \
                            31 * log2(1 + img.at<Vec3b>(i, j)[k]);
            }
        }
    }
}

int main()
{
    Mat img = imread("D:/Project_Images/ikun.png");
    Mat result;
    log_transfor(img, result);
    imshow("origin image", img);
    imshow("convert image", result);
    waitKey(0);
    return 0;
}

运行结果：

2.4 图像灰度化

2个常识：

  • 灰度值是形容黑白图像的，亮度值是形容彩色图像的。将彩色图像转换为黑白图像后，亮度值就会转换为灰度值。
  • B,G,R混色后会偏向灰色，因此灰度化就是需要BGR同时参与一定比例即可。

图像灰度化有2种方法：

  1. 平均值法：将B,G,R亮度分量相加除以3；
  2. 加权平均法：由于人眼对绿色灵敏度高，蓝色灵敏度低，因此加权才更加合理：
gray(x, y) = r(x, y) *0.3 +g(x, y) *0.59 + b(x, y) *0.11

OpenCV给出的接口cvtColor()使用的是加权平均法。

3. 直方图处理

直方图是表示图像中亮度分布（黑白则为灰度分布），给出的是图像中某个亮度下共有几个像素，即统计数量。

  • 缺点在于不能反应像素的位置，失去了空间信息。
  • 优点在于计算代价小，可以图像平移，旋转，缩放不变性。

常用于灰度图像的阈值分割，基于颜色的图像检索，图像分类。

3.1 标准直方图

直方图就是一副像素统计图像。

以绘制灰度直方图为例，需要使用2个接口：calcHist（）计算直方图， normalize（）数据归一化；

程序示例如下：

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
// 绘制标准直方图
int main()
{
    // 1. 读取图像
    Mat image = imread("D:/Project_Images/cat2.jpeg", IMREAD_GRAYSCALE); //图片先灰度化
    if (image.empty())
    {
        std::cout << "Failed to load image!" << std::endl;
        return -1;
    }

    // 2. 计算直方图
    int histSize = 256;  // 箱子数量（横坐标的份数）
    float range[] = { 0, 256 };  // 使用数组，定义像素值范围
    const float* histRange = range;
    // 横坐标间隔均匀，纵坐标不累加个数值
    bool uniform = true, accumulate = false;
    Mat hist;
    // 输入图像，1张图，不指定通道，无掩码，输出图像，1维，...
    calcHist(&image, 1, nullptr, Mat(), hist, 1, &histSize, &histRange, \
    uniform, accumulate);

    // 3. 创建直方图画布
    int histWidth = 512, histHeight = 400;
    // 除以256个箱子计算每个箱子宽度，cvRound用于取四舍五入的整数
    int binWidth = cvRound((double)histWidth / histSize);    
    Mat histImage(histHeight, histWidth, CV_8UC3, Scalar(0, 0, 0));

    // 4. 归一化直方图数据，变换到[0, 行数]的范围，以适应histImage窗口的高度，Mat()为空矩阵
    normalize(hist, hist, 0, histImage.rows, NORM_MINMAX, -1, Mat());

    // 5. 绘制直方图
    for (int i = 1; i < histSize; i++)
    {
        line(histImage, Point(binWidth * (i - 1), \
        histHeight - cvRound(hist.at<float>(i - 1))),\
        Point(binWidth * i, histHeight - cvRound(hist.at<float>(i))), \
        Scalar(0, 255, 0), 2, LINE_AA);
    }

    // 显示直方图
    namedWindow("Histogram", WINDOW_AUTOSIZE);
    imshow("Histogram", histImage);

    // 等待按键退出
    waitKey(0);

    return 0;
}

运行结果：

3.2 直方图均衡化

是为了增强图像的对比度，也叫直方图线性变换。主要思想是将一幅图像的直方图分布变成近似均匀分布，从而增强图像的对比度。基本原理是对图像中像素个数多的灰度值进行展宽，对像素较少的灰度值进行归并，从而加强对比度，使图像清晰。

OpenCV提供的方法为equalizeHist(image, result);

image必须是8位单通道灰度图。

示例：

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main()
{
    Mat src_img, dst_img;
    src_img = imread("D:/Project_Images/animal.jpeg", IMREAD_GRAYSCALE);
    if (src_img.empty())
    {
        cout << "no image exist!" << endl;
        return -1;
    }
    imshow("origin image", src_img);
    equalizeHist(src_img, dst_img);    // 就这一行代码起作用
    imshow("equalize histogram", dst_img);
    waitKey(0);
    destroyAllWindows();
    return 0;
}

实现效果：

效果上：增强对比度。

3.3 直方图匹配

简单来讲，将原图的像素值分布转为目标图的风格。

步骤：

  1. 将原图像的灰度直方图均衡化；
  2. 对规定的直方图均衡化；
  3. 建立原图像和目标图像的映射关系。

需要使用映射函数LUT。

示例：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;
// 直方图匹配
int main()
{
    // 加载原始图像和目标图像
    Mat srcImage = imread("D:/Project_Images/animal.jpeg", IMREAD_GRAYSCALE);
    Mat targetImage = imread("D:/Project_Images/panda.jpg", IMREAD_GRAYSCALE);

    // 计算原始图像和目标图像的直方图
    Mat srcHist, targetHist;
    int histSize = 256;  // 直方图横轴范围是 [0, 255]
    float range[] = { 0, 256 };
    const float* histRange = { range };
    calcHist(&srcImage, 1, 0, Mat(), srcHist, 1, &histSize, &histRange);
    calcHist(&targetImage, 1, 0, Mat(), targetHist, 1, &histSize, &histRange);

    // 对原始图像进行直方图匹配
    Mat lookupTable(1, 256, CV_8U);
    float srcSum = sum(srcHist)[0];
    float targetSum = sum(targetHist)[0];
    float srcAccumulator = 0, targetAccumulator = 0;
    for (int i = 0; i < 256; ++i)
    {
        srcAccumulator += srcHist.at<float>(i) / srcSum;
        targetAccumulator += targetHist.at<float>(i) / targetSum;
        lookupTable.at<uchar>(i) = cvRound(255 * srcAccumulator / targetAccumulator);
    }

    // 应用直方图映射到原始图像
    Mat matchedImage;
    LUT(srcImage, lookupTable, matchedImage);

    // 显示原始图像、目标图像和匹配后的图像
    imshow("Original Image", srcImage);
    imshow("Target Image", targetImage);
    imshow("Matched Image", matchedImage);
    waitKey(0);

    return 0;
}

效果示例：

原图像风格会趋向目标图像。

4. 图像去噪

去除图像中的噪声，减少干扰信息，也叫做滤波过程。

4.1 均值滤波

以3*3的卷积核为例，均值卷积核为9个格子都相等的卷积核，与原图像做卷积操作。

1/ 91/ 91/ 9
1/ 91/ 91/ 9
1/ 91/ 91/ 9

OpenCV提供的函数接口为blur（）。

示例：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;
int main()
{
    Mat src_img = imread("D:/Project_Images/noise.jpg");
    imshow("origin image", src_img);
    Mat dst_img;
    dst_img.create(src_img.size(), src_img.type());
    // 调用接口blur，这里选用6*6的核
    blur(src_img, dst_img, Size(6, 6));    
    imshow("filter image", dst_img);
    waitKey(0);
    destroyAllWindows();
    return 0;
}

实现效果：

4.2 高斯滤波

先了解4个概念：

低频成分：图像中亮度或灰度值变化不大的部分；

高频成分：图像中亮度或灰度值起伏很大的部分，例如黑白交替条纹。

低通滤波：保留低频成分

高通滤波：保留高频成分

高斯滤波：使用高斯卷积核对图像做卷积处理，平滑图像，属于低频滤波。

OpenCV提供的函数为GuassianBlur（）。

示例：

GaussianBlur(src_img, dst_img, Size(7, 7), 0, 0);

效果：

对比均值，在边缘部分，信息丢失没有那么严重。

4.3 中值滤波

使用的滤波窗口取中值。例如3*3的滤波窗口（空窗口，非卷积操作），对图像中该窗口中的9个像素值取中值，将9个像素值全部换成中值。然后滑动窗口，重复操作。

OpenCV函数：medianBlur()

示例：

medianBlur(src_img, dst_img, 7);

效果：

效果：对均值和高斯的折中，兼顾滤波和边缘信息保留。

考点：中值滤波适合去除椒盐噪声（黑、白点噪声）。

原因：使用中值替代，黑色、白色像素孤立点被邻域中的中值同化，自然噪声消失。

OpenCV-Python实战（1）——OpenCV简介与图像处理基础
盼小辉丶的博客
08-10 24万+
OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 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，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。
OPENCV实现图像预处理
07-19
用opencv2.4.4实现图像的增强、几何变换、傅氏变换、形态学处理、图像分割等，适合初学者借鉴。
opencv图像预处理
zsusu_0821的博客
12-23 2524
import cv2 import numpy as np import imutils #获取图 img_path = r'E:\Desktop\DDSM\Benign\2_C_0029_1.LEFT_MLO.LJPEG.1_highpass.png' img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = np.array(gray) # np array print('image shape: '
【OpenCV】颜色空间（HSV）
最新发布
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-04 7305
Hue (色调)：表示颜色的种类，例如红色、绿色或蓝色。它是基于色相环定义的，范围通常为0到360度。0度对应红色，120度对应绿色，240度对应蓝色。其他颜色则分布在这些主要颜色之间。Saturation (饱和度)：表示颜色的纯度或强度，即颜色中包含多少白色成分。饱和度值越高，颜色越鲜艳；反之，饱和度低则颜色显得苍白。其取值范围一般是从0到1或者0%到100%，其中0意味着灰色调，而最大值代表完全饱和的颜色。Value (亮度/明度)：反映了颜色的明亮程度，也就是颜色中包含了多少黑色成分。
在OpenCV中进行图像预处理
深度学习与计算机视觉
07-10 707
今天，我们进一步深入，并处理在图像处理中常用的形态学操作。形态学操作用于提取区域、边缘、形状等。什么是形态学操作？形态学操作是在二值图像上进行的。二值图像可能包含许多不完美之处。特别是由一些简单的阈值操作产生的二值图像（如果你对阈值不熟悉，现在不用担心）可能包含许多噪声和畸变。OpenCV库中提供了不同的形态学操作来处理这些噪声和缺陷。形态学操作生成与原始图像相同形状的图像。形态学操作将结构元素应...
OpenCV——图像预处理
m0_68219172的博客
04-06 668
OpenCV是计算机视觉领域一个图像和视频处理库，用于各种图像和视频分析，如面部识别和检测，车牌阅读，照片编辑，高级机器人视觉，光学字符识别等等（1）使用 python+opencv 进行灰度图像直方图均衡化import cv2# src 表示原图# dst 表示处理后图像。
OpenCV快速入门——图像预处理（必看）
qq_61707205的博客
05-06 3512
OpenCV预处理，有步骤有代码，新手可以参考一下这种类型的预处理，提取图像特征时，对图像进行加工，重点取出一整片区域。
opencv-python-4.10.0.84.tar.gz
06-26
1. 图像处理基础：包括读取、显示、保存图像，以及对图像进行基本操作，如灰度转换、直方图均衡化、色彩空间转换等。 2. 图像滤波：提供各种滤波器，如高斯滤波、中值滤波、双边滤波等，用于平滑图像、去除噪声或...
人工智能-项目实践-数据预处理-一键预览 OpenCV 60 种图像效果，图像预处理 pipeline 工具
03-02
$ cd opencv_tools 创建 python 虚拟环境 $ python3 -m venv venv 激活虚拟环境 $ source venv/bin/activate 升级pip $ python -m pip install --upgrade pip 安装软件包 $ pip install -r requirements.txt 在 ...
PyPI 官网下载 | opencv-python-4.5.3.56.tar.gz
01-14
这些功能广泛应用于图像预处理和特征提取。 3. **highgui模块**：高级GUI（图形用户界面）模块，主要用于显示图像、录制视频和捕获图像。在4.5.3.56版本中，这个模块可能已经由更现代的界面库如cv2.imshow()所替代...
人脸识别、表情识别图像预处理--图像库人脸图像剪切、旋转
04-27
总之，图像预处理在人脸识别和表情识别中起着基础性的作用。通过精确的图像剪切和旋转，我们可以提高模型的性能，降低识别误差。同时，理解和掌握这些技术对于构建高效的人脸识别系统至关重要。在实践中，不断优化...
【OPENCV】图像的预处理（灰度图、二值化、字符矫正（旋转））
12-17
主要是图像旋转的算法实现，工程完整，代码详细，并且有相应的博客，可查看我的博客就能看到设计思路
【OpenCV经验总结】——图片预处理篇
lucifer479的博客
07-21 1821
本篇汇总了本人在OpenCV使用过程中总结的关于图片的一些函数使用经验及Bug处理经验，会根据后续使用情况逐步更新。
opencv_图像预处理
Aily_ran的博客
03-13 1562
中值滤波： void medianBlur(InputArray src,OutputArray dst,int ksize); src-- 输入图像 dst--输出图像，必须与src相同类型                 ksize — 内核大小 (只需一个值，因为使用正方形窗口)，必须为奇数。
opencv库对图像预处理的简单介绍
m0_74760082的博客
04-08 1149
OpenCV是一个跨平台的计算机视觉库，提供了丰富的图像处理、计算机视觉和机器学习函数和工具。在图像处理领域，OpenCV库提供了很多常用的图像预处理方法，用于准备图像数据以用于计算机视觉和深度学习任务。本篇博客将介绍OpenCV库中常用的图像预处理方法，包括图像读取、色彩空间转换、图像缩放、图像翻转、图像裁剪、图像旋转、图像平移和图像增强等。
opencv图像预处理方法
weixin_43802726的博客
04-14 747
也可以根据论文的描述方法，总结出计算步骤，依次按步骤实现，只要计算准确无误，最终都能得到所期望的结果。以常见的图像预处理手段为例，二值化，自适应二值化，腐蚀膨胀开闭运算，边缘检测，梯度计算，直方图，特征提取，特征匹配，图像金字塔，连通域计算，直线拟合，圆拟合，模板匹配，卷积模板制作，高斯滤波，图像变换，傅里叶变换，矩阵运算等处理方法都可以用opencv实现，只需要调用其api即可，但是只会调用未免太过简单，了解了背后图像计算原理后完全可以对其进行改进或者自己实现。
OpenCV笔记-图像预处理1
CavalierJHC的博客
10-13 1755
个人笔记整理
# OpenCV 图像预处理—形态学：膨胀、腐蚀、开运算、闭运算 原理详解
weixin_46999174的博客
07-23 3999
形态学（Morphology）是图像处理中的一种技术，主要用于分析和处理图像中的结构和形状。形态学操作基于图像的形状和结构，而不是像素的具体值。它通常应用于二值图像（黑白图像），但也可以用于灰度图像。形态学操作在许多图像处理任务中发挥着重要作用，如去噪声、分割、边缘检测等。
11.4OpenCV_图像预处理02
gs1we1的博客
11-04 541
在深度学习中，滤波器又称为卷积核，滤波的过程成为卷积。
评论 2
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
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