【Python计算机视觉】Python全栈体系（二十五）

最新推荐文章于 2024-06-09 11:01:50 发布

柠檬小帽

最新推荐文章于 2024-06-09 11:01:50 发布

阅读量218

点赞数

分类专栏：计算机视觉文章标签： python

本文链接：https://blog.csdn.net/sgsgkxkx/article/details/125955311

版权

计算机视觉专栏收录该内容

4 篇文章 7 订阅

订阅专栏

计算机视觉

第五章图像梯度处理

一、什么是图像梯度

图像梯度计算的是图像变化的速度。对于图像的边缘部分，其灰度值变化较大，梯度值也较大；相反，对于图像中比较平滑的部分，其灰度值变化较小，相应的梯度值也较小。一般情况下，图像梯度计算的是图像的边缘信息。

二、模板运算

模板（滤波器）是一个尺寸为n*n的小图像W（n一般取奇数，称为模板尺寸），每个位置上的值w被称为权重。在进行计算时，将模板的中心和像素P对齐，选取原始图像中和模板相同范围的邻域N的像素值作为输入。模板运算分为模板卷积、模板排序。
模板卷积的计算是将对齐后的对应位置像素相乘，再进行累加作为像素P位置的输出值。记原始图像的像素灰度值为s，计算后的值为d，则P点的输出值

$\frac{\sum w_is_i}{\sum w_i}$

模板排序的计算时将邻域N的像素值进行排序，选择特定次序的灰度值，作为像素P位置的输出值，如最大值、最小值、中位数等。

三、均值滤波

均值滤波指模板权重都为1的滤波器。它将像素的邻域平均值作为输出结果，均值滤波可以起到图像平滑的效果，可以去除噪声，但随着模板尺寸的增加图像会变得更为模糊。经常被作为模糊化使用。

四、高斯滤波

为了减少模板尺寸增加对图像的模糊化，可以使用高斯滤波器，高斯滤波的模板根据高斯分布来确定模板系数，接近中心的权重比边缘的大。5的高斯滤波器如下所示：

五、中值滤波

中值滤波属于模板排序运算的滤波器。中值滤波器将邻域内像素排序后的中位数值输出代替原像素值。它在实现降噪操作的同时，保留了原始图像的锐度，不会修改原始图像的灰度值。
中值滤波的使用非常普遍，它对椒盐噪声的抑制效果很好，在抑制随机噪声的同时能有效保护边缘少受模糊。但中值滤波是一种非线性变化，它可能会破坏图像中线性关系，对于点、线等细节较多的图像和高精度的图像处理任务中并不太合适。

六、边沿检测

通过梯度计算可以获取图像中细节的边缘。为在锐化边缘的同时减少噪声的影响，通过改进梯度法发展出了不同的边缘检测算子：
- 一阶梯度：Prewitt梯度算子、Sobel梯度算子
- 二阶梯度：Laplacian梯度算子
边沿检测效果

七、锐化

图像锐化与图像平滑是相反的操作，锐化是通过增强高频分量来减少图像中的模糊，增强图像细节边缘和轮廓，增强灰度反差，便于后期对目标的识别和处理。锐化处理在增强图像边缘的同时也增加了图像的噪声。
将求取的边缘按照一定系数比例叠加到原始图像上，即可实现对图像的锐化操作。例如使用Laplacian梯度算子进行锐化操作的模板，其中A是大于等于1的系数：

八、代码

# 图像模糊化处理
import cv2
import numpy as np

im = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("im", im)

# 中值滤波
im_median_blur = cv2.medianBlur(im, 5)
cv2.imshow("im_median_blur", im_median_blur)

# 均值滤波
im_mean_blur = cv2.blur(im, (3, 3))
cv2.imshow("im_mean_blur", im_mean_blur)

# 高斯滤波
im_gaussian_blur = cv2.GaussianBlur(im, (5, 5), 3)
cv2.imshow("im_gaussian_blur", im_gaussian_blur)

# 自定义高斯核执行滤波计算
gaussian_blur = np.array([
    [1, 4, 7, 4, 1],
    [4, 16, 26, 16, 4],
    [7, 26, 41, 26, 7],
    [4, 16, 26, 16, 4],
    [1, 4, 7, 4, 1]
], np.float32) / 273

# 使用filter2D执行滤波计算
im_gaussian_blur2 = cv2.filter2D(im,  # 原始图像
                                 -1,  # 目标图像深度，-1表示和原图像相同
                                 gaussian_blur)  # 滤波器
cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

在这里插入图片描述

# 图像锐化
import cv2
import numpy as np

im = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("im", im)

# 锐化算子1
sharpen_1 = np.array([[-1, -1, -1],
                      [-1, 9, -1],
                      [-1, -1, -1]])
im_sharpen1 = cv2.filter2D(im,
                           -1,
                           sharpen_1)
cv2.imshow("im_sharpen1", im_sharpen1)

# 锐化算子2
sharpen_2 = np.array([[0, -1, 0],
                      [-1, 8, -1],
                      [0, 1, 0]]) / 4.0
im_sharpen2 = cv2.filter2D(im,
                           -1,
                           sharpen_2)
cv2.imshow("im_sharpen2", im_sharpen2)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

在这里插入图片描述

第六章图像轮廓

一、什么是图像轮廓

边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是将边缘连接起来形成的一个整体，用于后续的计算。
图像轮廓是图像中非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小、位置、方向等信息。
图像轮廓操作包括：查找轮廓、绘制轮廓、轮廓拟合等。

二、查找和绘制轮廓

一个轮廓对应着一系列的点，这些点以某种方式表示图像中的一条曲线，将这些点绘制成不同样式的线条，就是轮廓查找与绘制

三、轮廓拟合

在计算轮廓时，可能并不需要实际的轮廓，而仅需要一个接近于轮廓的近似多边形，绘制这个近似多边形称之为轮廓拟合

四、矩形包围框

在这里插入图片描述

五、最小包围圆形

在这里插入图片描述

六、最优拟合椭圆

在这里插入图片描述

七、逼近多边形

在这里插入图片描述

八、代码

1. 查找并绘制轮廓

# 查找并绘制轮廓
import cv2
import numpy as np

im = cv2.imread("../data/3.png")
cv2.imshow("im", im)

# 灰度化
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 二值化
ret, im_binary = cv2.threshold(im_gray, 127, 255, cv2.THRESH_BINARY)
# cv2.imshow("im_binary", im_binary)

# 查找轮廓
cnts, hie = cv2.findContours(im_binary,  # 原图（经过二值化处理后的）
                             cv2.RETR_EXTERNAL,  # 只检测外轮廓
                             cv2.CHAIN_APPROX_NONE)  # 存储所有轮廓点
# print(type(cnts)) # tuple
# for cnt in cnts:
#     # print(type(cnt)) # <class 'numpy.ndarray'>
#     print(cnt.shape)
#     """
#     (257, 1, 2)
#     (371, 1, 2)
#     (336, 1, 2)
#     (228, 1, 2)
#     """

# 绘制轮廓
im_cnt = cv2.drawContours(im,  # 原始图像
                          cnts,  # 轮廓数据，findContours的返回值
                          -1,  # 绘制所有轮廓
                          (0, 0, 255),  # 轮廓颜色：红色
                          2)  # 轮廓粗细
cv2.imshow("im_cnt", im_cnt)
cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

在这里插入图片描述

2. 绘制矩形包围框

# 绘制轮廓外接矩形框
import cv2
import numpy as np

im = cv2.imread("../data/cloud.png", 0)
cv2.imshow("im", im)

# 二值化处理
ret, im_binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY)
cnts, hie = cv2.findContours(im_binary,
                                  cv2.RETR_LIST,  # 不建立等级关系
                                  cv2.CHAIN_APPROX_NONE)  # 存储轮廓所有坐标点
# print(cnts[0].shape) # (498, 1, 2)

# 根据轮廓产生外接矩形框参数
x, y, w, h = cv2.boundingRect(cnts[0])

# 绘制矩形框
brcnt = np.array([[[x, y]], [[x+w, y]],[[x+w,y+h]], [[x, y+h]]])
cv2.drawContours(im, [brcnt], -1, (255, 255, 255), 2)
cv2.imshow("result", im)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

在这里插入图片描述

3. 绘制圆形包围圈

# 绘制轮廓的最小圆形包围圈
import cv2
import numpy as np

im = cv2.imread("../data/cloud.png", 0)
cv2.imshow("im", im)

# 二值化处理
ret, im_binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY)
cnts, hie = cv2.findContours(im_binary,
                             cv2.RETR_LIST,
                             cv2.CHAIN_APPROX_NONE)
(x, y), radius = cv2.minEnclosingCircle(cnts[0])  # 产生轮廓的最小外接圆形参数
print((x, y), radius)  # (204.5, 91.5) 86.53621673583984
center = (int(x), int(y))  # 将圆心的坐标转换为整型
radius = int(radius)  # 将半径转换为整型

cv2.circle(im, center, radius, (255, 255, 255), 2)  # 绘制圆形
cv2.imshow("result", im)
cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

在这里插入图片描述

4. 绘制最佳拟合椭圆

# 绘制最优拟合椭圆
import cv2
import numpy as np

im = cv2.imread("../data/cloud.png")
cv2.imshow("im", im)

im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, im_binary = cv2.threshold(im_gray, 127, 255, cv2.THRESH_BINARY)
# 提取轮廓
cnts, hie = cv2.findContours(im_binary,
                             cv2.RETR_LIST,
                             cv2.CHAIN_APPROX_NONE)
ellipse = cv2.fitEllipse(cnts[0])  # 产生最优拟合椭圆数据
print("ellipse",
      ellipse)  # ellipse ((204.24952697753906, 91.23741149902344), (69.94644165039062, 162.95944213867188), 84.70285034179688)

cv2.ellipse(im, ellipse, (0, 0, 255), 2)  # 绘制椭圆
cv2.imshow("result", im)
cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口

在这里插入图片描述

5. 逼近多边形

# 使用多边形对轮廓进行拟合
import cv2
import numpy as np

im = cv2.imread("../data/cloud.png")
cv2.imshow("im", im)

# 转灰度图像
im_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
# 二值化
ret, im_binary = cv2.threshold(im_gray, 127, 255, cv2.THRESH_BINARY)
# 查找轮廓
cnts, hie = cv2.findContours(im_binary,
                             cv2.RETR_LIST,
                             cv2.CHAIN_APPROX_NONE)
# 精度一
adp = im.copy()
epsilon = 0.005 * cv2.arcLength(cnts[0], True)  # 精度，根据周长计算
approx = cv2.approxPolyDP(cnts[0], epsilon, True)  # 构造多边形，返回多边形数据
adp = cv2.drawContours(adp, [approx], 0, (0, 0, 255), 2)  # 绘制
cv2.imshow("result_0.005", adp)

# 精度二
adp2 = im.copy()
epsilon = 0.01 * cv2.arcLength(cnts[0], True)  # 精度，根据周长计算
approx = cv2.approxPolyDP(cnts[0], epsilon, True)  # 构造多边形，返回多边形数据
adp = cv2.drawContours(adp2, [approx], 0, (0, 0, 255), 2)  # 绘制
cv2.imshow("result_0.01", adp2)

cv2.waitKey()  # 等待用户按某个按键
cv2.destroyAllWindows()  # 销毁所有创建的窗口