OpenCV-图像处理(2)_图像阈值与平滑处理

最新推荐文章于 2023-12-01 08:49:26 发布

Tc.小浩

最新推荐文章于 2023-12-01 08:49:26 发布

阅读量282

点赞数

分类专栏： opencv-图像处理文章标签： opencv

本文链接：https://blog.csdn.net/weixin_48167570/article/details/117599743

版权

opencv-图像处理专栏收录该内容

22 篇文章 2 订阅

订阅专栏

一、灰度图

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 

img=cv2.imread('cat.jpg')
#转换成灰度图
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_gray.shape
(414, 500)
cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)    
cv2.destroyAllWindows()

在这里插入图片描述

二、 HSV

H - 色调（主波长）。
S - 饱和度（纯度/颜色的阴影）。
V值（强度）

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

cv2.imshow("hsv", hsv)
cv2.waitKey(0)    
cv2.destroyAllWindows()

在这里插入图片描述

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
cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV THRESH_BINARY的反转
cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

#超过127的去255
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.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

三、平滑处理

在这里插入图片描述

def cv_show(name,img):
	cv2.imshow(name, img)
	cv2.waitKey(0)
	cv2.destroyAllWindows()

img = cv2.imread('lenaNoise.png')

# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))
res = np.hstack((img,blur))
cv_show("res",res)

下图img,blur的对比
在这里插入图片描述

# 方框滤波
# 基本和均值一样，可以选择归一化
#当normalize为True时与均值滤波一样的
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  

# 方框滤波
# 基本和均值一样，可以选择归一化,容易越界
#大于255的都变成为255
box = cv2.boxFilter(img,-1,(3,3), normalize=False)

在这里插入图片描述

# 高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian = cv2.GaussianBlur(img, (5, 5), 1)  
cv_show("a",aussian)

# 中值滤波
# 相当于用中值代替
median = cv2.medianBlur(img, 5)  # 中值滤波

cv_show("b",median)

在这里插入图片描述

四、形态学-腐朽操作

img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8) 
#腐蚀函数erode第一个参数原图像、腐蚀的值、迭代次数
erosion = cv2.erode(img,kernel,iterations = 1)
#组合成一个图像
res=np.hstack((img,erosion))
cv_show("all",res)

左边是原始的图像，右边是腐蚀后的图像
在这里插入图片描述

#三次腐蚀
kernel = np.ones((30,30),np.uint8) 
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

下图是循环三次腐蚀的图像，iterations=1、2、3
在这里插入图片描述

五、形态学-膨胀操作

img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8) 
#腐蚀操作
dige_erosion = cv2.erode(img,kernel,iterations = 1)

kernel = np.ones((3,3),np.uint8) 
#膨胀操作
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 2)
res=np.hstack((img,dige_erosion,dige_dilate))
cv_show("res",res)

第一张图为原图，第二张图为腐蚀过的图，最后一张图是膨胀的图
在这里插入图片描述

pie = cv2.imread('pie.png')
#循环三次的膨胀
kernel = np.ones((30,30),np.uint8) 
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
dilate_3 = cv2.dilate(pie,kernel,iterations = 3)
res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

六、开运算与闭运算

# 开：先腐蚀，再膨胀
img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)


# 闭：先膨胀，再腐蚀
img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8) 
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

res=np.hstack((opening,closing))
cv_show("res",res)

左边为：先腐蚀再膨胀；右边为：先膨胀再腐蚀
在这里插入图片描述

七、梯度运算

#梯度=膨胀-腐蚀
img=cv2.imread("pie.png")
a=np.ones((5,5),np.uint8)
#膨胀
a1=cv2.dilate(img,a,iterations=5)
#腐蚀
a2=cv2.erode(img,a,iterations=5)
res=np.hstack((a1,a2))
cv_show("res",res)

在这里插入图片描述

#梯度 morphologyEx:原图像、梯度函数、值
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, a)

cv_show("gradient",gradient)

在这里插入图片描述

八、礼帽与黑帽

礼帽 = 原始输入-开运算结果
黑帽 = 闭运算-原始输入

#礼帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv_show("tophat",tophat)

在这里插入图片描述

#黑帽
img = cv2.imread('dige.png')
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv_show("blackhat",blackhat)

在这里插入图片描述

九、图像梯度-Sobel算子

其中A表示图像对应的矩阵，之后就行对应位置相乘之后加减
在这里插入图片描述
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth:图像的深度
dx和dy分别表示水平和竖直方向
ksize是Sobel算子的大小

img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
#cv2.CV_64F表示数的范围变大，可以表示负数
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')

由于圆里面是白色的，而结果是右边减左边。其中左半圆图像中，里面是白色（255）-外面黑色（0）得到正数。而右半圆图像中，外面黑色（0）-里面是白色（255）得到负数，得到黑色。所以右半边圆不会显示。

-白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值

在这里插入图片描述

#由于dy为0
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#无论是正数还是负数都变成了正数
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

在这里插入图片描述

#由于dx为0
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')

在这里插入图片描述

分别计算x和y，再求和

#传入x与y的值和权重，相加
sobelxy=cv2.addWeighted(sobelx,0.5.sobely,0.5,0)
cv_show("sobelxy",sobelxy)

img=cv2.imread("lean.jpg",cv2.IMREAD_GRAYSCALE)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#绝对值
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
res=hstack((img,sobelxy))
cv_show("all",res)

左边的是原图，右边的是图像梯度形成的图像
在这里插入图片描述

图像梯度-Scharr算子

在这里插入图片描述

图像梯度-laplacian算子

在这里插入图片描述

img=cv2.imread("lean.jpg",cv2.IMREAD_GRAYSCALE)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobelx=cv2.convertScaleAbs(sobelx)
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

scharrx=cv2.Scharr(img,cv2.CV_64F,1,0)
scharry=cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx=cv2.convertScaleAbs(scharrx)
scharry=cv2.convertScaleAbs(scharry)
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0)

laplacian=cv2.Laplacian(img,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)
res=np.hstack((sobelxy,scharrxy,laplacian))
cv_show("res",res)

下图是三种算法的结果图像
在这里插入图片描述

Tc.小浩

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
1
评论
OpenCV-图像处理(2)_图像阈值与平滑处理

一、灰度图import cv2 #opencv读取的格式是BGRimport numpy as npimport matplotlib.pyplot as plt#Matplotlib是RGB%matplotlib inline img=cv2.imread('cat.jpg')#转换成灰度图img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_gray.shape(414, 500)cv2.imshow("img_gray", img_
复制链接

扫一扫