图像处理常用基本算法

图像处理常用基本算法

一、图片裁剪

Python-PIL

python Image中的crop(box):
crop(x,y,x+w,y+w)
(x,y)是裁剪框左上角坐标,(x+w,y+h)是右下角坐标

from PIL import Image
im = Image.open("test.jpeg")
region = im.crop((10, 10, 100, 100))
region.save("./crop_test.jpeg")

Python-OpenCV

import cv2
source = cv2.imread(image_path)          # 读图片
img = source[814:1067,1656:1907]		# 裁剪
# 坐标：[Ly:Ry , Lx:Rx]
#(Xmin,Ymin,Xmax,Ymax)
cv2.imshow("2",img)
cv2.waitKey(0)

C++ -OpenCV

#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/core/core.hpp>

#include <iostream>

using namespace std;
using namespace cv;

cv::Mat img;
cv::Rect m_select;

int main()
{
  img = cv::imread("G:\\PycharmProjects\\MTCNN-less\\images\\test1.jpg");
  cv::imshow("原图", img);
  m_select = Rect(174, 230, 111, 217);
  //左上角和右下角
  Mat ROI = img(m_select);
  cv::imshow("剪裁图", ROI);
  waitKey(0);
  return 0;
}

二、图像的腐蚀膨胀和开启闭合

腐蚀和膨胀是最基本的形态学运算。
腐蚀：

图像的腐蚀操作，是取每一个位置的邻域内值的最小值作为该位置的输出灰度值。
这里的邻域可以使矩形结构，椭圆形结构，十字交叉形结构。邻域的形状叫做结构元。

因为每个位置邻域内的最小值，所以腐蚀后输出图像的总体亮度的平均值比起原图会有所降低，图像中比较亮的区域面积会变小甚至消失，而比较暗的区域的面积会增大。
图像I与结构元S的腐蚀操作记为：E=I㊀S

膨胀：

膨胀是取每一个位置邻域内的最大值，邻域的形状由结构元决定。

膨胀后的输出图像的总体亮度的平均值比起原图会有所提升，而图像中比较亮物体的尺寸会变大；较暗物体的尺寸会减小，甚至消失。
图像I与结构元S的膨胀操作记为：D=I㊉S

Python代码

# 腐蚀函数erode
dst = cv2.erode(src, kernel, iterations)
# 膨胀函数dilate
dst = cv2.dilate(src,kernel, iterations)

C++代码

//读取输入图像
cv::Mat image= cv::imread("binary.bmp");
//腐蚀图像
cv::Mat eroded;//目标图像
cv::erode(image,eroded,cv::Mat());

//膨胀图像
cv::Mat dilated;//目标图像
cv::dilate(image,dilated,cv::Mat());

实验结论：
（1）、对图像腐蚀两次，相当于对结构元素自身膨胀后的图像进行腐蚀
（2）、腐蚀图像相当于对其反色图像膨胀后再取反色
（3）、膨胀图像相当于对其反色图像腐蚀后再取反色

闭合：

闭合的定义是对图像先膨胀后腐蚀；
主要作用是：填平小洞，小裂隙
连接

开启：

开启的定义是对图像先腐蚀后膨胀
主要作用是：去除孤立的小点，在纤细处进行分割
分割

C++代码

//对图像做闭运算
//膨胀原图像
cv::dilate(image,result,cv::Mat());
//就地腐蚀膨胀后的图像
cv::erode(image,eroded,cv::Mat());

//调换这两个函数的调用次序，就得到开启滤波器

三、图像滤波

通过观察灰度分布来描述图像特征，称为空域；通过观察灰度强度值变化快慢，称为频域。
图像强度值变化慢的区域只包含低频率，而强度值快速变化的区域产生高频率。（傅里叶变换或余弦变换等变换法可清楚地显示图像的频率成分）。
图像是二维的，因此频率分为两种，即垂直频率（垂直方向的变化）和水平频率（水平方向的变化）。

均值滤波

均值滤波是典型的线性滤波算法，以目标像素为中心的周围8个像素构成一个滤波模板，再用模板中的全体像素的平均值来代替原来像素值。

对随机噪声有很好的去噪效果。
高斯滤波

高斯滤波实际上就是一种均值模糊，只是高斯模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。

通俗的讲，高斯模糊就是对整幅图像进行加权平均的过程，每一个像素点的值，都是其本身和邻域内的其它像素值经过加权平均得到的。
中值滤波

中值滤波，是一种非线性平滑技术，是对邻域中的像素点按灰度值进行排序，然后选择该组的中值作为输出的灰度值。

中值滤波最重要的能力是去除椒盐噪声。椒盐噪声是指在图像传输系统中由于解码误差等原因，导致图像中出现孤立的白点或黑点。
双边滤波

双边滤波可以在保证边界清晰的情况下有效地去掉噪声，既考虑了图像的空间位置关系，也考虑了图像的灰度变化关系。

python代码

#均值滤波函数
blur = cv2.blur(img, (1, 15))
#（1,15）是垂直方向模糊，（15,1）是水平方向模糊

#中值滤波函数
median = cv2.medianBlur(img, 5)

#高斯滤波函数
gauss = cv2.GaussianBlur(img, (5,5),1)
#这里的1代表的是sigmax
#sigmax越小，高斯曲线越高越尖，模糊程度小
#sigmax越大，高斯曲线越矮越缓，模糊程度大

#双边滤波函数
shuangbian = cv2.bilateralFilter(img,7,50,50)
#7是领域的直径，50和50是灰度值相似性高斯函数标准差和空间高斯函数标准差

C++代码

//低通
cv::blur(image,result,cv::Size(5,5));//滤波器尺寸

//高斯
cv::GaussianBlur(image,result,cv::Size(5,5),1.5);//控制高斯曲线形状的参数

//中值
cv::medianBlur(image,result,5);//滤波器尺寸

四、中间遇到的小问题记录：

关于VS新建关于OpenCV项目都要重新配置的问题

包含第一次配置的项目属性列表
视图—其它窗口—属性管理器
右键，添加现有属性列表

参考1
参考2
参考3