Opencv-Python学习（二）———图像处理

最新推荐文章于 2024-04-09 09:17:03 发布

装满水杯的水

最新推荐文章于 2024-04-09 09:17:03 发布

阅读量2.3k

点赞数

分类专栏： opencv 文章标签： python pycharm

本文链接：https://blog.csdn.net/wang_bin_fei/article/details/124061138

版权

opencv 专栏收录该内容

6 篇文章 3 订阅

订阅专栏

一、阈值处理

二、图像的平滑处理

三、腐蚀与膨胀

一、阈值处理

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


img = cv.imread(r'../de/1_Handshaking_Handshaking_1_314.jpg', 0) 
ret, thresh1 = cv.threshold(src=img, thresh=127, maxval=255, type=cv.THRESH_BINARY)
ret, thresh2 = cv.threshold(src=img, thresh=127, maxval=255, type=cv.THRESH_BINARY_INV)
ret, thresh3 = cv.threshold(src=img, thresh=127, maxval=255, type=cv.THRESH_TRUNC)
ret, thresh4 = cv.threshold(src=img, thresh=127, maxval=255, type=cv.THRESH_TOZERO)
ret, thresh5 = cv.threshold(src=img, thresh=127, maxval=255, type=cv.THRESH_TOZERO_INV)
'''
src :输入图片，只能是单通道图片，也就是灰度图
thresh1：输出图片
thresh：阈值
maxval：当像素超过了设置的阈值（或者小于阈值，由type来确定），所赋予的值
type：二值化操作类型，包含五种操作：
cv2.THRESH_BINARY:超过阈值的部分取maxval，否则取零
cv2.THRESH_BINARY_INV：THRESH_BINARY的反转
cv2.THRESH_TRUNC：大于阈值的设为阈值，否则不变
cv2.THRESH_TOZERO：大于阈值的不变，否则设置为零
cv2.THRESH_TOZERO_INV：THRESH_TOZERO的反转
'''
titles = ['img', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
image = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
    plt.subplot(2, 3, i+1), plt.imshow(image[i], 'gray')
    plt.title(titles[i])
    plt.xticks()
    plt.yticks()
plt.show()

具体效果：

二、图像的平滑处理

（1）均值滤波

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即包括目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。

我使用的卷积核大小为3×3，即下图中黄色区域相加，然后求取平均数作为中心点的像素值。

在opencv中实现中值滤波：

import cv2 as cv
import numpy as np


# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


cat = cv.imread('../de/cat.jpg')
cat = cv.resize(cat, (0, 0), fx=0.4, fy=0.4)
cat_blur = cv.blur(cat, (3, 3))   # 均值滤波
ret = np.hstack((cat, cat_blur))   # 展示所有
show('vs', ret)

原图像（左）和中值滤波后的图像（右）对比：

可以看到，对于椒盐噪声还是有一些效果，但是效果不是很好。

（2）方框滤波

方框滤波基本和均值滤波一样，只需要注意一个参数即可

import cv2 as cv
import numpy as np

def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)



cat = cv.imread('../de/cat.jpg')
cat = cv.resize(cat, (0, 0), fx=0.4, fy=0.4)
cat_box = cv.boxFilter(cat, -1, (3, 3), normalize=True)  # 方框滤波，基本和均值滤波一样，当 normalize=True时，和均值滤波效果一样
cat_box1 = cv.boxFilter(cat, -1, (3, 3), normalize=False)  # 当 normalize=False时，不做归一化处理，直接求和，和值大于255时就取255
ret = np.hstack((cat, cat_box, cat_box1))   # 展示所有
show('vs', ret)

从左至右分别是原图、normalize=True 、normalize=False

（3）高斯滤波

高斯滤波，高斯滤波的卷积核里面的卷积核满足高斯分布，相当于更重视中间的值

import cv2 as cv
import numpy as np


# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


cat = cv.imread('../de/cat.jpg')
cat = cv.resize(cat, (0, 0), fx=0.4, fy=0.4)
cat_gaussian = cv.GaussianBlur(cat, (3, 3), 1)  # 高斯滤波，高斯滤波的卷积核里面的卷积核满足高斯分布，相当于更重视中间的值
ret = np.hstack((cat, cat_gaussian))   # 展示所有
show('vs', ret)

进行高斯滤波后和原图进行对比：

（4）中值滤波

中值滤波，相当于用中间值代替中心像素值

import cv2 as cv
import numpy as np

# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


cat = cv.imread('../de/cat.jpg')
cat = cv.resize(cat, (0, 0), fx=0.4, fy=0.4)

cat_median = cv.medianBlur(cat, 5)   # 中值滤波， 相当于用中间值代替
ret = np.hstack((cat, cat_median))   # 展示所有
show('vs', ret)

可以看到对于椒盐噪声，中值滤波的效果最好

三、腐蚀与膨胀

腐蚀和膨胀是形态学最基本的操作，都是针对白色部分（高亮部分）而言的。膨胀就是使图像中高亮部分扩张，得到比原图更大的高亮区域；腐蚀是原图像中的高亮区域被蚕食，得到比原图更小的高亮区域。膨胀是求结构元素下像素最大值，腐蚀是求结构元素下像素最小值。

（1）腐蚀和膨胀

腐蚀和膨胀操作都是对于二值图而言的

import cv2 as cv
import numpy as np


# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


image = cv.imread('../de/er.jpg')
kernel = np.ones((10, 10), dtype=np.uint8)    # 卷积核大小
img_erode = cv.erode(image, kernel, iterations=1)    # 进行腐蚀操作，iterations是迭代次数，就是进行几次腐蚀
img_dilate = cv.dilate(image, kernel, iterations=1)  # 进行膨胀
res = np.hstack((image, img_erode, img_dilate))
show('vs', res)

原图、腐蚀图和膨胀图之间的对比：

（2）开运算和闭运算

开运算：先腐蚀后膨胀

闭运算：先膨胀后腐蚀

import cv2 as cv
import numpy as np


# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


image = cv.imread('../de/er.jpg')
kernel = np.ones((10, 10), dtype=np.uint8)    # 卷积核大小
# 开运算：先腐蚀后膨胀
opening = cv.morphologyEx(image, cv.MORPH_OPEN, kernel)
# 闭运算：先膨胀后腐蚀
closing = cv.morphologyEx(image, cv.MORPH_CLOSE, kernel)
res = np.hstack((image, opening, closing))
show('vs', res)

原图、开运算和闭运算之间对比：

（3）梯度运算

梯度 = 膨胀-腐蚀。可以得到物体的轮廓。

import cv2 as cv
import numpy as np


# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


image = cv.imread('../de/er.jpg')
kernel = np.ones((10, 10), dtype=np.uint8)    # 卷积核大小
# 梯度=膨胀-腐蚀
gradient = cv.morphologyEx(image, cv.MORPH_GRADIENT, kernel)  # 就可以将轮廓显示出来
res = np.hstack((image, gradient))
show('vs', res)

原图和梯度图

（4）礼帽和黑帽

礼帽 = 原始输入-开运算

黑帽 = 闭运算-原始输入

import cv2 as cv


# 图片展示函数
def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


image = cv.imread('../de/er.jpg')
kernel = np.ones((10, 10), dtype=np.uint8)    # 卷积核大小


# 礼帽 = 原始输入-开运算
tophat = cv.morphologyEx(image, cv.MORPH_TOPHAT, kernel)
show('tophat', tophat)


# 黑帽 = 闭运算-原始输入
blackhat = cv.morphologyEx(image, cv.MORPH_BLACKHAT, kernel)
show('blackhat', blackhat)

礼帽效果图：