【计算机视觉】图片裁减黑边或者白边

最新推荐文章于 2024-03-28 15:42:25 发布

sdbhewfoqi

最新推荐文章于 2024-03-28 15:42:25 发布

阅读量2.2k

点赞数

分类专栏：计算机视觉

本文链接：https://blog.csdn.net/weixin_31866177/article/details/108484932

版权

计算机视觉专栏收录该内容

40 篇文章 9 订阅

订阅专栏

基础

opencv读取图片 https://blog.csdn.net/weixin_33832340/article/details/92119616

读图片

image_arr = cv2.imread('file_path')

灰度图扩展成彩色图

可以通过图片的channel判断是否是灰度图。如果需要可以将灰度图扩展到RGB的彩色图（复制灰度图的数据到各通道）

if image_arr.shape[2] == 1:
  image_arr_rgb = cv2.cvtColor(image_arr, cv2.COLOR_GRAY2RGB)

彩色图像素存储格式

imread 读的彩色图按照BGR像素存储，如果转换成RGB则需要用cvtColor函数进行转换

image_arr_rgb = cv2.cvtColor(image_arr, cv2.COLOR_BGR2RGB)

图片size存储格式（imread 读的图片按照 H,W,C 格式存储）

image_arr_rgb.shape
(H, W, C)

H,W,C格式转换到C,H,W格式

image_arr_rgb_chw = np.transpose(image_arr_rgb, (2,0,1))

涉及到的图像处理

# 图像腐蚀 # iteration的值越高，模糊程度(腐蚀程度)就越高 呈正相关关系
# 使用场景：
图像腐蚀 加上高斯模糊 就可以使得图像的色彩更加突出
可以是色彩追踪更加精准，少了很多的颜色干扰

closed_1 = cv2.erode(gray, None, iterations=4)

机器学习进阶-图像形态学操作-膨胀操作 1.cv2.dilate(进行膨胀操作)

图像的腐蚀与膨胀

cv2.dilate(src, kernel, iteration)

参数说明: src表示输入的图片， kernel表示方框的大小， iteration表示迭代的次数

膨胀操作原理：存在一个kernel，在图像上进行从左到右，从上到下的平移，如果方框中存在白色，那么这个方框内所有的颜色都是白色。

目的：腐蚀之后，再膨胀，会让原有的图像信息更明显。

cv2.blur图像滤波(Filter)处理学习笔记

均值滤波，为了去噪。

图像降噪。我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。

blurred = cv2.blur(closed_1, (9, 9)) # 均值滤波，对于椒盐噪声的滤除效果比较好

opencv: 阈值处理(cv2.threshold) 探究(图示+源码)

cv2.threshold (src, thresh, maxval, type) 固定阈值二值化

cv2.threshold (源图片, 阈值, 填充色, 阈值类型)，255是白色

ret, dst = cv2.threshold(src, thresh, maxval,type)

src：输入图，只能输入单通道图像，通常来说为灰度图
dst：输出图
thresh：阈值
maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

图像二值化的目的：对图象进行二值化处理的意义? - 知乎

为了将前景、背景分离。

灰度图像二值化最常用的方法是阈值法，他利用图像中目标与背景的差异，把图像分别设置为两个不同的级别，选取一个合适的阈值，以确定某像素是目标还是背景，从而获得二值化的图像。

_, thresh = cv2.threshold(blurred, num, 255, cv2.THRESH_BINARY) # thresh 这里是输出图

otsu阈值

最大疑问！轮廓检测和边缘检测的区别是什么？https://stackoverflow.com/questions/17103735/difference-between-edge-detection-and-image-contours

轮廓检测

OpenCV（六）之图像轮廓检测（轮廓检测看这篇就够了）

Python开发：OpenCV版本差异所引发的cv2.findContours()函数传参问题

cv2.findContours() 用来找出轮廓值

# 返回轮廓contours
cnts, _ = cv2.findContours(closed_2.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]

返回[ ]

尝试修改OpenCV轮廓会导致错误

保存输出时，如果轮廓小于100，则可能返回NULL。
下一个对空值的操作会产生这个错误尝试通过将contour = StraightenContour(contour)放在print(len(contour))函数的开头进行调试，很可能轮廓小于100，从而使函数返回空值。
如果不将StraightenContour(contour)的输出保存在可变轮廓中，则len（轮廓）<100在返回时不会在任何地方保存空值，其余代码将正常运行。
解决方法是当它的长度小于100时简单地StraightenContour(contour)也许你会考虑通过运行一些实验来找到最佳值，将100改为其他值。

【python-opencv】cv2.findContours()寻找轮廓时报错小汇总

OpenCV轮廓提取算法详解findContours()

cv2.findContours()函数

第五节、轮廓检测、直线和圆、多边形检测（好好好）

根据 Python OpenCV轮廓排序(按照面积大小) 理解一下，

Python-Opencv minAreaRect生成最小外接矩形的一些解释

cv2.boxPoints()详解