【图像处理】传统图像处理方式及opencv实现

已于 2024-01-04 16:43:06 修改
阅读量414 收藏 8
点赞数
文章标签： 图像处理 opencv
于 2023-11-16 13:11:07 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/weixin_44984705/article/details/134420969
版权

文章目录

前言

传统图像处理是指使用经典的图像处理技术和方法，这些方法在计算机视觉和图像处理领域的早期阶段得到广泛应用。以下是一些传统图像处理的主要方法：

一、灰度转换

将彩色图像转换为灰度图像，使每个像素只包含亮度信息而不包含颜色信息。这通常是图像处理的第一步，常结合后续的一些算法进行操作。

import cv2
import numpy as np

if __name__ == '__main__':
    img = cv2.imread('car.jpg', 1)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    cv2.imshow('img_gray', img_gray)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

原图：
在这里插入图片描述
转换后：
在这里插入图片描述

二、滤波器和图像梯度

使用滤波器和卷积操作对图像进行平滑、锐化、边缘检测等处理。常用的滤波器包括均值滤波、高斯滤波、Sobel滤波器等。

1、图像平滑

使用cv2.filter2D进行平滑操作。卷积核：
在这里插入图片描述

import cv2
import numpy as np

if __name__ == '__main__':
    img = cv2.imread('car.jpg', 1)
    # img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    kernel = np.ones((5, 5), np.float32) / 25
    dst = cv2.filter2D(img, -1, kernel)
    
    cv2.imwrite('dst.jpg', dst)
    cv2.imshow('dst', dst)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述
图像平滑，常用于消除高频部分（例如噪声、边缘）。opencv提供4种类型的模糊方式：
（1）平均模糊：cv2.blur()或cv2.boxFilter()；（2）高斯模糊： cv2.GaussianBlur()；（3）中位模糊：cv2.medianBlur()；（4）双边模糊：cv.bilateralFilter()。

2、图像梯度

OpenCV提供三种类型的算子，即Sobel，Scharr和Laplacian用于获取图像梯度。
Sobel算子是高斯平滑加微分的联合运算。Sobel分为x和y方向。
Laplacian 算子的每一阶导数通过Sobel算子计算。
在这里插入图片描述

import cv2
import matplotlib.pyplot as plt

if __name__ == '__main__':
    img = cv2.imread('staff.jpeg', 0)
    laplacian = cv2.Laplacian(img, cv2.CV_64F, ksize=3)
    sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)
    sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)
    plt.subplot(2, 2, 1), plt.imshow(img, cmap='gray')
    plt.title('Original'), plt.xticks([]), plt.yticks([])
    plt.subplot(2, 2, 2), plt.imshow(laplacian, cmap='gray')
    plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
    plt.subplot(2, 2, 3), plt.imshow(sobelx, cmap='gray')
    plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
    plt.subplot(2, 2, 4), plt.imshow(sobely, cmap='gray')
    plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
    plt.show()

三、直方图均衡化

通过调整图像的亮度分布，增强图像的对比度，使图像更容易分析和处理。一副好的图像有来自图像所有区域的像素，而不是仅仅局限于某个特定的值范围。
在这里插入图片描述

import cv2
import numpy as np

if __name__ == '__main__':
    img = cv2.imread('car.jpg', 0)
    equ = cv2.equalizeHist(img)
    res = np.hstack((img, equ))  # stacking images side-by-side
    cv2.imwrite('res.jpg', res)

在这里插入图片描述

四、形态学处理

利用基本形态学操作，如膨胀和腐蚀，进行图像的形状和结构的处理，常用于图像分割和去噪。
腐蚀操作：原始图像中的一个像素(无论是1还是0)只有当kernel下的所有像素都是1时才被认为是1，否则它就会被腐蚀(变成0)。
膨胀操作：与腐蚀操作相反。kernel下至少有一个像素为1，就会被认为是1。该操作会增加前景对象的大小
开运算：先进行腐蚀操作再膨胀。
闭运算：先膨胀再腐蚀。
形态学梯度：膨胀后的图像减去侵蚀后的图像。
顶帽：原始图像减去开运算后的图像。
黑帽：原始图像减去闭运算后的图像。

import cv2
import numpy as np
import matplotlib.pyplot as plt

if __name__ == '__main__':
    img = cv2.imread('j.png', 0)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    kernel = np.ones((5, 5), np.uint8)
    erosion = cv2.erode(img, kernel, iterations=1)  # 腐蚀
    dilation = cv2.dilate(img, kernel, iterations=1)  # 膨胀
    opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)  # 开运算
    closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)  # 闭运算
    gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)  # 梯度
    tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)  # 顶帽
    blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)  # 黑帽
    plt.figure(figsize=(10, 10))
    plt.subplot(2, 4, 1), plt.imshow(img), plt.title('Original')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 2), plt.imshow(erosion), plt.title('Erosion')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 3), plt.imshow(dilation), plt.title('Dilation')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 4), plt.imshow(opening), plt.title('Opening')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 5), plt.imshow(closing), plt.title('Closing')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 6), plt.imshow(gradient), plt.title('Gradient')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 7), plt.imshow(tophat), plt.title('Tophat')
    plt.xticks([]), plt.yticks([])
    plt.subplot(2, 4, 8), plt.imshow(blackhat), plt.title('Blackhat')
    plt.xticks([]), plt.yticks([])
    plt.show()

在这里插入图片描述

五、图像阈值

对图像进行二值化处理，凸显自己感兴趣的区域。阈值化处理常常是图像处理的前序步骤。

import cv2 as cv
from matplotlib import pyplot as plt

if __name__ == '__main__':
    img = cv.imread('car.jpg', 0)
    ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
    ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
    ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
    ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
    ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)
    titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
    images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
    for i in range(6):
        plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    plt.show()

在这里插入图片描述

六、特征提取

从图像中提取出具有代表性的特征，如纹理、形状、颜色等，用于图像识别和分类。
常见的算法有：哈里斯角点检测、霍夫直线变换、SIFT算法等。

import numpy as np
import cv2 as cv
filename = 'chessboard.png'
img = cv.imread(filename)
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv.cornerHarris(gray,2,3,0.04)
#result用于标记角点，并不重要
dst = cv.dilate(dst,None)
#最佳值的阈值，它可能因图像而异。
img[dst>0.01*dst.max()]=[0,0,255]
cv.imshow('dst',img)
if cv.waitKey(0) & 0xff == 27:
    cv.destroyAllWindows()

七、几何变换

包括平移、旋转、缩放等基本的几何变换，用于调整图像的大小和位置。
1、缩放

import numpy as np
import cv2 as cv
img = cv.imread('messi5.jpg')
res = cv.resize(img,None,fx=2, fy=2, interpolation = cv.INTER_CUBIC)
#或者
height, width = img.shape[:2]
res = cv.resize(img,(2*width, 2*height), interpolation = cv.INTER_CUBIC)

2、平移
在这里插入图片描述

import numpy as np
import cv2 as cv
img = cv.imread('messi5.jpg',0)
rows,cols = img.shape
M = np.float32([[1,0,100],[0,1,50]])
dst = cv.warpAffine(img,M,(cols,rows))
cv.imshow('img',dst)
cv.waitKey(0)
cv.destroyAllWindows()

3、旋转
在这里插入图片描述

img = cv.imread('messi5.jpg',0)
rows,cols = img.shape
# cols-1 和 rows-1 是坐标限制
M = cv.getRotationMatrix2D(((cols-1)/2.0,(rows-1)/2.0),90,1)
dst = cv.warpAffine(img,M,(cols,rows))

4、仿射变换
在仿射变换中，原始图像中的所有平行线在输出图像中仍将平行。为了找到变换矩阵，我们需要输入图像中的三个点及其在输出图像中的对应位置。然后cv.getAffineTransform将创建一个2x3矩阵，该矩阵将传递给cv.warpAffine。
在这里插入图片描述

img = cv.imread('drawing.png')
rows,cols,ch = img.shape
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
M = cv.getAffineTransform(pts1,pts2)
dst = cv.warpAffine(img,M,(cols,rows))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')

5、透视变换
对于透视变换，您需要3x3变换矩阵。即使在转换后，直线也将保持直线。要找到此变换矩阵，您需要在输入图像上有4个点，在输出图像上需要相应的点。在这四个点中，其中三个不应共线。然后可以通过函数cv.getPerspectiveTransform找到变换矩阵。然后将cv.warpPerspective应用于此3x3转换矩阵。

img = cv.imread('sudoku.png')
rows,cols,ch = img.shape
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M = cv.getPerspectiveTransform(pts1,pts2)
dst = cv.warpPerspective(img,M,(300,300))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()

在这里插入图片描述

八、图像压缩

使用各种压缩算法减小图像文件的大小，而尽量保持图像质量。JPEG、PNG等是常见的图像压缩格式。

九、图像融合

将多个图像或图像的不同部分合并成一个图像，常用于医学图像处理和计算机视觉领域。

import cv2 as cv
img1 = cv.imread('ml.png')
img2 = cv.imread('opencv-logo.png')
dst = cv.addWeighted(img1,0.7,img2,0.3,0)
cv.imshow('dst',dst)
cv.waitKey(0)
cv.destroyAllWindows()

十、边缘检测

识别图像中物体之间的边缘，常用于图像分割和目标检测，常用算法有：Canny角点检测。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
edges = cv.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()

总结

以上是对常用的传统图像处理方式的总结。
参考链接

行走的学习机器
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
基于OPenCV实现图像处理各种常用算法（C++）
05-29
基于OPenCV实现图像处理各种常用算法（C++） 图像处理经典常用算法及论文复现 1.Interpolation Algorithm 实现了一些常用插值算法 2.Affine Transformation 实现了仿射变换（旋转、平移、缩放、偏移、组合变换） 3....
8种图像处理常用方法
05-10
图像镜像 2.旋转图像 3.图像缩放（对话框自己建立）4. 256位图=》灰度图 5. 随机噪声 6.亮度调节 7.色调调节 8.对比度调节
Opencv图像处理（全）
热门推荐
shinuone的博客
08-30 5万+
备注：以下源码均可运行，不同项目涉及的函数均有详细分析说明。
图像处理的革命：从传统算法到深度学习
禅与计算机程序设计艺术
12-29 1480
1.背景介绍 图像处理是计算机视觉的基础，它涉及到从图像中抽取有意义的信息以及对图像进行处理和分析。传统图像处理方法主要包括滤波、边缘检测、图像合成、图像分割等。然而，传统图像处理方法在处理复杂图像和高级视觉任务时存在一些局限性，如需要人工设计特征、对图像的模型假设较强等。 随着深度学习技术的发展，深度学习在图像处理领域取得了显著的成果，尤其是在卷积神经网络(CNN)的推动下。深度学习可以自动...
Python OpenCV图像处理：从基础到高级的全方位指南
最新发布
极客代码
04-24 4069
OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理算法和功能。它支持多种编程语言，包括Python、C++、C#等。OpenCV的主要功能包括图像处理、图像识别、图像合成等。OpenCV的核心概念包括图像处理、图像分析、机器学习等。它提供了一系列的图像处理函数，如图像变换、图像增强、图像复原等。此外，OpenCV还支持图像识别和图像合成，可以用于构建复杂的计算机视觉系统。本文从Python OpenCV图像处理的基础知识出发，详细介绍了图像处理的概念、常用库、实战案例及注意事项。
图像处理：从基础到高级技术
禅与计算机程序设计艺术
01-08 1348
1.背景介绍 图像处理是计算机视觉的一个重要分支，它涉及到对图像进行处理、分析和理解。图像处理的应用范围广泛，包括图像压缩、图像增强、图像分割、图像识别、图像检索等。随着人工智能技术的发展，图像处理技术也不断发展和进步，为人类提供了更多的便利和创新。 在本篇文章中，我们将从基础到高级技术来详细介绍图像处理的核心概念、算法原理、具体操作步骤以及代码实例。同时，我们还将分析图像处理的未来发展趋势和...
图像传统处理算法-边缘检测-分割-增强-降噪
zero
11-22 2905
基于空域像素特征的方法，是通过分析在一定大小的窗口内，中心像素与其他相邻像素之间在灰度空间的直接联系，来获取新的中心像素值的方法，因此往往都会存在一个典型的输入参数，即滤波半径r。一般的图像处理，微小的细节对图像降噪的后续处理程序影响不太明显，但是当处理对象为医学图像时，这样的小失误是不被允许的，因为在医疗诊断或治疗中，每一个微小的失误都会影响医师的治疗方法甚至威胁到患者的生命。一种对中值滤波的改进是自适应中值滤波，它首先判断窗口内部的中心像素是否是一个脉冲，如果不是，则输出标准中值滤波的结果；
传统图像处理方法【目录】
magic_shuang的博客
03-06 3116
本专栏按自己脑回路归纳，按照【重要程度】排顺序，注意不是困难程度 一、降噪与滤波 二、传统特征算子 三、边缘检测算子 四、角点检测算子 五、图像集合变换 六、霍夫变换 七、颜色空间与图像频域 八、连通域 九、图像增强方法 十、图像质量评价指标 十一、光流与追踪 十二、摄像头基础 ...
传统图像算法
Victory_tc的博客
08-16 4547
1.图像增强 参考：https://mp.csdn.net/postedit/97361911 2.图像滤波 https://mp.csdn.net/postedit/97314568 3.边缘检测 https://mp.csdn.net/postedit/97310108 4.图像形态学 腐蚀和膨胀，开运算，闭运算：推荐博客：https://blog.csdn.net/bagboy...
传统图像算法和深度学习图像处理的区别
qq_45193872的博客
06-04 1万+
** 前言 ** 刚入门图像那会儿，我记得当时有个疑问就是传统图像处理算法和深度学习卷积神经网络的区别到底在哪，在这打算用比较通俗的解释和浅显的例子对这个问题做个解释，希望可以帮助到有需要的同学。 一、传统图像处理算法 说到传统图像算法，相信大家第一想到的可能是openCV这个开源库，但其实这个库里面目前已经引入了很多深度学习算法例如YOLO、SSD等，但对于刚使用openCV不久的同学们来说应该是对其中一些常用的API函数比较熟悉，例如：Sift、HOG、Harris等算法，这些都是比较常见的传统图像处
opencv(15) 图像平滑处理之二：cv2.GaussianBlur()高斯滤波
luyouqi11的博客
07-23 5073
高斯滤波是一种线性，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯模板是通过对二维高斯函数进行采样(高斯模糊的卷积核里的数值满足高斯分布)、量化并归一化得到的，它考虑了邻域像素位置的影响，距离当前被平滑像素越近的点，加权系数越大，将加权平均值作为中心像素的输出结果。加权的目的在于减轻平滑过程中造成的图像模糊高斯模糊对于从图像中去除高斯噪声非常有效高斯滤波常用的一个 3×3 模板。
基于Opencv传统图像处理实现的手势识别C++源码+sln解决方案(图像处理大作业).zip
01-09
基于Opencv传统图像处理实现的手势识别C++源码+sln解决方案(图像处理大作业).zip基于Opencv传统图像处理实现的手势识别C++源码+sln解决方案(图像处理大作业).zip基于Opencv传统图像处理实现的手势识别C++源码+sln...
数字图像处理技术现状与展望
07-18
数字图像处理技术现状与展望数字图像处理技术现状与展望
MFC实现opencv图像处理
02-09
使用MFC实现opencv中图像处理的部分函数功能： 实现的主要内容有主要包含有： 图像灰度化： 最大值灰度化： 单通道灰度化： 平均值灰度化： 加权平均灰度化： 图像缩放： 最近邻内插法： 双线性内插法： ...
Python基于Opencv传统图像处理实现玻璃瓶口缺陷检测项目源码+缺陷数据.zip
07-06
Python基于Opencv传统图像处理实现玻璃瓶口缺陷检测项目源码+缺陷数据.zip Python基于Opencv传统图像处理实现玻璃瓶口缺陷检测项目源码+缺陷数据.zip Python基于Opencv传统图像处理实现玻璃瓶口缺陷检测项目源码+...
图像处理-基于OpenCV实现的图像滤波算法之GiudedFilterColor.zip
04-03
在图像处理领域，OpenCV（开源计算机视觉库）是一个广泛使用的工具，它提供了丰富的功能来实现各种图像滤波算法。本教程重点介绍的是基于OpenCV实现的Guided Filter（指导滤波）算法，特别是在处理彩色图像上的应用...
OpenCV——图片处理细节
qq_43436296的博客
09-09 4619
OpenCV中图片读取、显示、保存；彩色图像各个通道提取;用opencv将图片转成灰度图；批量图片转灰度图；顶帽变换、底帽变换；同态滤波；图片resize
【OpenCV经验总结】——图片预处理篇
lucifer479的博客
07-21 1739
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。
传统图像处理（一）
m0_46598420的博客
11-10 568
图像处理
opencv传统图像处理实现车牌字符识别的代码
07-14
以下是一个基于传统图像处理方法的车牌字符识别示例代码： ```python import cv2 import numpy as np # 加载字符模板 template_images = [] for i in range(10): template_image = cv2.imread(f'template_{i}.jpg', 0) template_images.append(template_image) # 读取车牌图像 plate_image = cv2.imread('plate_image.jpg', 0) # 预处理车牌图像 _, plate_image = cv2.threshold(plate_image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) plate_image = cv2.medianBlur(plate_image, 3) # 字符分割 contours, _ = cv2.findContours(plate_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) characters = [] for contour in contours: # 忽略过小的轮廓 if cv2.contourArea(contour) < 100: continue # 获取字符区域的矩形框坐标 x, y, w, h = cv2.boundingRect(contour) # 提取字符图像 character_roi = plate_image[y:y+h, x:x+w] # 调整字符图像大小为模板大小 character_roi = cv2.resize(character_roi, (template_images[0].shape[1], template_images[0].shape[0])) # 字符匹配 scores = [] for template in template_images: score = cv2.matchTemplate(character_roi, template, cv2.TM_CCOEFF_NORMED) scores.append(score) # 获取最佳匹配字符 best_match_index = np.argmax(scores) character = str(best_match_index) characters.append(character) # 输出识别结果 plate_number = ''.join(characters) print("车牌号码：", plate_number) ``` 在代码中，首先加载字符模板图像，它们包含了数字0到9的样本字符图像。然后读取待识别的车牌图像，并进行预处理操作，例如二值化和中值滤波。接下来，使用`findContours`函数找到字符的轮廓，并遍历每个字符轮廓。对于每个字符区域，首先调整大小为模板大小，然后使用`matchTemplate`函数与所有模板进行匹配得分计算。最后，根据得分选择最佳匹配字符，并将其存储在结果中。 请注意，上述代码仅用于演示目的，实际应用中可能需要根据具体情况进行调整和优化。此外，传统图像处理方法在复杂场景下的效果可能不如基于深度学习的方法。因此，对于更高精度和鲁棒性的车牌字符识别任务，建议使用基于深度学习的方法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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