1-图像基础知识-0614

饮水思源123

已于 2022-02-28 18:23:25 修改

阅读量1k

点赞数 2

分类专栏：体积分割_微信_医学分割_抠图_热力图文章标签： python

于 2022-02-27 21:29:16 首次发布

本文链接：https://blog.csdn.net/weixin_50563385/article/details/123170813

版权

体积分割_微信_医学分割_抠图_热力图专栏收录该内容

1 篇文章 0 订阅

订阅专栏

opencv
在这里插入图片描述

1. 数字图像处理

1.1 数字图像概念

1.1.1 数字图像：

• 数字图像，又称数码图像，一幅二
维图像可以由一个数组或矩阵表示。
• 数字图像可以理解为一个二维函数
f(x,y),其中 x 和 y 是空间(平面)坐
标，而在任意坐标处的值 f 称为图
像在该点处的强度或灰度。

1.1.2 图像处理目的：

• 改善图示的信息以便人们解释；
• 为存储、传输和表示而对图像进行
的处理
在这里插入图片描述

1.2 数字图像起源

1.2.1 最早应用的行业

• 媒体（报纸业）

1.2.2 最早应用的时间

• 20世纪20年代（1921年）

1.2.3 最早“数字图像处理”系统的用途

• 通过海底电缆，将图像从伦敦传输至纽约。客
观的讲，当时的应用并不涉及“数字图像处
理”，而是“数字图像传输”
在这里插入图片描述

1.3 常见成像方式

1.3.1 电磁波谱

• 光子即光量子（light quantum）
，电磁辐射的量子，E=hf，其中，
h为普朗克常量，f为光的频率。普
朗克常数的值约为：h=6.62×10^
（-34） J·s ，单位为焦（J）·秒（s）。
• 光速波长与频率的关系：v=fλ
• 波长与能量的关系 E = hc/λ
• c = 光速
在这里插入图片描述

1.3.2 γ射线成像

• 是波长小于10^-10米的电磁波。
这种不可见的电磁波是从原子核
内发出来的，放射性物质或原子
核反应中常有这种辐射伴随着发
出。γ射线的穿透力很强，对生物
的破坏力很大。大脑生理信号EEG
中常用这个频段。
在这里插入图片描述

1.3.3 X射线成像

• 也叫，伦琴射线，这部分电磁波
波长从（10～0.01）×10^-9米。
CT就是用X射线照射物体，由于
生物组织或者工程组件的不同部
位对X射线的吸收率不一样，从而
得到不同的衰减以成像。
在这里插入图片描述

1.3.4 紫外线波段成像

• 波长比可见光短的称为紫外线，
它的波长从(380～10)×10^-9米，
它有显著的化学效应和荧光效应。
在生物医学领域应用最多。
在这里插入图片描述

1.3.5 可见光波段成像

• 这是人们所能感光的极狭窄的一
个波段，波长从（7.8～3.8） ×10^-7米，人类能看见的所有物体都是可见光波段成像，也就是光线照射在物体上，反射到人眼中从而成像的。
在这里插入图片描述

1.3.6 红外线波段成像

• 红外线波长为0.78—1000微米的电磁波，
其中波长为0.78—2.0微米的部分称为近
红外，波长为2.0—1000微米的部分称为
热红外线。自然界中，一切物体都可以辐
射红外线，因此利用探测仪测量目标本身
与背景间的红外线差可以得到不同的热红
外线形成的红外图像。

1.3.7 微波波段成像

• 波长从1米到0.1厘米，这些波多用在雷达
或其它通讯系统，微波影像是应用成像微
波辐射计（扫描型）接收地物发射波长为
1mm～30cm的微波辐射能形成的影像。
在这里插入图片描述 ### 1.3.8 射频波段成像
• 波长从3000米到10^-3米，一般的
电视和无线电广播、手机等的波段
就是用这种波.,但也能用于医学成
像，MRI是常见的影像诊疗手段。

1.4 数字图像的应用

⚫ 传统领域
• 医学、空间应用、生物学、军事
⚫ 最新领域
• 数码相机(DC)、数码摄像机(DV)
• 指纹识别、人脸识别，虹膜识别
• 互联网、视频、多媒体等
• 基于内容的图像检索、视频检索、多媒体检索
• 水印、游戏、电影特技、虚拟现实、电子商务
图像处理、机器视觉、人工智能关系
⚫ 图像处理主要研究二维图像，处理一个图像或一组图像之间的相互转换的过程，包括图像滤波，图像识别，图像分割等问题
⚫ 计算机视觉主要研究映射到单幅或多幅图像上的三维场景，从图像中提取抽象的语义信息，实现图像理解是计算机视觉的终极目标。
⚫ 人工智能在计算机视觉上的目标就是解决像素值和语义之间关系，主要的问题有图片检测，图片识别，图片分割和图片检索。

1.5 Opencv介绍

• OpenCV于1999年由Intel建立；
• 开源发行的跨平台计算机视觉库；
• 操作系统：Linux、Windows、Android、Mac OS； • 构成：C 函数和少量 C++ 类；
• 接口：Python、Java、MATLAB等语言
• opencv是数字图像处理和计算机视觉领域最常见的工具包，是学习，科研，企业项目开发的好帮手。
⚫ python安装
• 推荐版本python3.6
⚫ Jupyter Notebook 安装
1. 打开命令行cmd
2. 更新pip：python -m pip install --upgrade pip
3. 安装Jupyter：pip install jupyter
⚫ 安装Opencv-python
1. 打开命令行cmd
2. pip install opencv-contrib-python
contrib 有一些收费的专利，或者现在还不太稳定的算法所推出的额版本，安装这个版本到后面的复杂的算法不会报错。

2.图像属性

2.1 图像格式

⚫ BMP格式
Windows系统下的标准位图格式,未经过压缩，一般图像文件会比较大。在很多软件中被广泛应用. ⚫ JPEG格式也是应用最广泛的图片格式之一，它采用一种特殊的有损压缩算法，达到较大的压缩比(可达到2:1甚40:1)，互联网上最广泛使用的格式
⚫ GIF格式
不仅可以是一张静止的图片,也可以是动画，并且支持透明背景图像，适用于多种操作系统，“体型”很小，网上很多小动画都是GIF格式。但是其色域不太广,只支持256种颜色.
⚫ PNG格式
与JPG格式类似，压缩比高于GIF，支持图像透明，支持Alpha通道调节图像的透明度,
⚫ TIFF格式
它的特点是图像格式复杂、存贮信息多,在Mac中广泛使用，非常有利于原稿的复制。很多地方将TIFF格式用于印刷.

2.2 图像尺寸

⚫ 图像尺寸
• 图像尺寸的长度与宽度是以像素为单位的。
⚫ 像素(pixel)
• 像素是数码影像最基本的单位，每个像素就是
一个小点，而不同颜色的点聚集起来就变成一
幅动人的照片。
• 灰度像素点数值范围在0到255之间，0表示黑、
255表示白，其它值表示处于黑白之间；
• 彩色图用红、绿、蓝三通道的二维矩阵来表示。
每个数值也是在0到255之间，0表示相应的基
色，而255则代表相应的基色在该像素中取得最
大值。

2.2.1 读入图像

函数：cv2.imread()
参数说明：
第一参数为待读路径；
第二个参数为读取方式，常见读取方式有三种：
在这里插入图片描述

#导入opencv的python版本依赖cv2
import cv2
#使用opencv中imread函数读取图片，0代表灰度图形式打开，1代表彩色形式打开
#'messi5.jpg'代表图像路径，0代表读取方式
img = cv2.imread('messi5.jpg',0)

2.2.2 显示图像

函数：cv2.imshow()
参数说明：
参数1：窗口的名字；
参数2：图像数据名。

#调用imshow()函数进行图像显示
#'image'代表窗口名字，img代表数组变量名
cv2.imshow('image',img)
#cv2.waitKey()是一个键盘绑定的函数，
#单位毫秒，0代表等待键盘输入。0为1000时为等待1s
cv2.waitKey(0)
#cv2.destroyALLWindows()删除窗口，
#默认值为所有窗口，参数一为删除窗口名。
cv2.destroyALLWindows()

2.2.3 保存图像

函数：cv2.imwrite()
参数说明：
参数1：图像名（包括格式），
参数2：待写入的图像数据变量名。

#'messigray.png'代表保存路径+名称  img代表变量名
cv2.imwrite('messigray.png',img)

2.3 图像分辨率和通道数

⚫ 分辨率：
单位长度中所表达或截取的像素数目。每英寸图像内
的像素点数，单位是像素每英寸(PPI)。图像分辨率越高，
像素的点密度越高，图像越清晰。
⚫ 通道数：
图像的位深度，是指描述图像中每个pixel数值所占
的二进制位数。位深度越大则图像能表示的颜色数就越多，
色彩越丰富逼真。
• 8位：单通道图像，也就是灰度图，灰度值范围2**8=256
• 24位：三通道3*8=24
• 32位：三通道加透明度Alpha通道
0表示全透明，255表示不透明，0-255之间表示半透明在这里插入图片描述

2.3.1 灰度转化

⚫ 目的
将三通道图像（彩色图）转化为单通道图像（灰度图）。
⚫ 公式
3–>1: GRAY = B * 0.114 + G * 0.587 + R * 0.299
1–>3: R = G = B = GRAY; A = 0
⚫ 函数：
cv2.cvtColor(img，flag)
⚫ 参数说明
参数1：待转化图像；
参数2：flag就是转换模式，cv2.COLOR_BGR2GRAY：彩
色转灰度
cv2.COLOR_GRAY2BGR：单通道转三通道

#导入opencv
import cv2 
#读入原始图像，使用cv2.IMREAD_UNCHANGED
img = cv2.imread("girl.jpg",cv2.IMREAD_UNCHANGED)
#查看打印图像的shape
shape = img.shape
print(shape)
#判断通道数是否为3通道或4通道
if shape[2] == 3 or shape[2] == 4 :
    #将彩色图转化为单通道图
    img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    cv2.imshow("gray_image",img_gray)
cv2.imshow("image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

(500, 500, 3)
在这里插入图片描述

2.3.3 通道分离

⚫ 目的
将彩色图像，分成b、g、r 3个单通道图像。方便我们
对BGR 三个通道分别进行操作。
⚫ 函数：
cv2.split(img)
⚫ 参数说明
参数1：待分离通道的图像

#加载opencv
import cv2
src=cv2.imread('split.jpg')
cv2.imshow('before',src)
#调用通道分离
b,g,r=cv2.split(src)
#三通道分别显示
cv2.imshow('blue',b)
cv2.imshow('green',g)
cv2.imshow('red',r)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

#导入opencv模块
import numpy as np
import cv2            
 
image=cv2.imread("split.jpg")#读取要处理的图片
cv2.imshow("src",image)
cv2.waitKey(0)
B,G,R = cv2.split(image)#分离出图片的B，R，G颜色通道

zeros = np.zeros(image.shape[:2],dtype="uint8")#创建与image相同大小的零矩阵
cv2.imshow("BLUE",cv2.merge([B,zeros,zeros]))#显示 （B，0，0）图像
cv2.imshow("GREEN",cv2.merge([zeros,G,zeros]))#显示（0，G，0）图像
cv2.imshow("RED",cv2.merge([zeros,zeros,R]))#显示（0，0，R）图像
cv2.waitKey(0)
cv2.destroyAllWindows()
print(image.shape[:2])

在这里插入图片描述

(459, 571)

2.3.4 通道合并

⚫ 目的
通道分离为B,G,R后，对单独通道进行修改，最后将修
改后的三通道合并为彩色图像。
⚫ 函数：cv2.merge(List)
⚫ 参数说明
参数1：待合并的通道数，以list的形式输入

#加载opencv
import cv2
src=cv2.imread('split.jpg')
cv2.imshow('before',src)
#调用通道分离
b,g,r=cv2.split(src)
#将Blue通道数值修改为0
g[:] = 0
#合并修改后的通道
img_merge=cv2.merge([b,g,r])
cv2.imshow('merge',img_merge)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述
代码5：通道分离与合并小结

import cv2 as cv
import numpy as np
src=cv.imread('split.jpg')
#cv.namedWindow('before',cv.WINDOW_NORMAL)
cv.imshow('before',src)
cv.waitKey(0)
#通道分离
b,g,r=cv.split(src)
cv.imshow('blue',b)
cv.imshow('green',g)
cv.imshow('red',r)
cv.waitKey(0)
#通道合并
src=cv.merge([b,g,r])
cv.imshow('merge',src)
cv.waitKey(0)
# 修改某个通道
src[:,:,2]=100
cv.imshow('single',src)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

2.4 图像直方图

⚫ 图像直方图：
• 图像直方图（Image Histogram）是用以表示数字图
像中亮度分布的直方图，标绘了图像中每个亮度值的
像素数。这种直方图中，横坐标的左侧为纯黑、较暗
的区域，而右侧为较亮、纯白的区域。
⚫ 图像直方图的意义：
• 直方图是图像中像素强度分布的图形表达方式。
• 它统计了每一个强度值所具有的像素个数
• CV 领域常借助图像直方图来实现图像的二值化
在这里插入图片描述

2.4.1 直方图绘制

⚫ 目的
直方图是对图像像素的统计分布，它统计了每个像素
（0到255）的数量。
⚫ 函数：
cv2.calcHist(images, channels, mask, histSize,
ranges)
⚫ 参数说明
参数1：待统计图像，需用中括号括起来；
参数2：待计算的通道；
参数3：Mask，这里没有使用，所以用None。
参数4：histSize，表示直方图分成多少份；
参数5：是表示直方图中各个像素的值，[0.0, 256.0]表
示直方图能表示像素值从0.0到256的像素。直方图是
对图像像素的统计分布，它统计了每个像素（0到255）
的数量。

from matplotlib import pyplot as plt
import cv2
import numpy as np
img = cv2.imread('girl.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.imshow(img_gray, cmap=plt.cm.gray)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

plt.figure()
plt.title("Grayscale Histogram")
plt.xlabel("Bins")
plt.ylabel("# of Pixels")
plt.plot(hist)
plt.xlim([0, 256])
plt.show()

在这里插入图片描述

2.4.2 三通道直方图绘制

from matplotlib import pyplot as plt
import cv2
girl = cv2.imread("girl.jpg")
cv2.imshow("girl", girl)
color = ("b", "g", "r")
#使用for循环遍历color列表，enumerate枚举返回索引和值
for i, color in enumerate(color):
    hist = cv2.calcHist([girl], [i], None, [256], [0, 256])
    plt.title("girl")
    plt.xlabel("Bins")
    plt.ylabel("num of perlex")
    plt.plot(hist, color = color)
    plt.xlim([0, 260])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

2.5 颜色空间

2.5.1 概念：

• 颜色空间也称彩色模型(又称彩色空间或彩色系统）它的用途是在某些标准下用通常可
接受的方式对彩色加以说明。

2.5.2 常见的颜色空间：

• RGB、HSV、HSI、CMYK

2.5.2.1 RGB颜色空间概念

• 主要用于计算机图形学中，依据人眼识别的颜色创建，图
像中每一个像素都具有R,G,B三个颜色分量组成，这三个
分量大小均为[0,255]。通常表示某个颜色的时候，写成一
个3维向量的形式（110,150,130）。

2.5.2.2 颜色模型

• 原点对应的颜色为黑色，它的三个分量值都为0； • 距离原点最远的顶点对应的颜色为白色，三个分量值都为
1； • 从黑色到白色的灰度值分布在这两个点的连线上，该虚线
称为灰度线；
• 立方体的其余各点对应不同的颜色，即三原色红、绿、蓝
及其混合色黄、品红、青色；
在这里插入图片描述

2.5.2.3 HSV颜色空间概念

• HSV(Hue, Saturation, Value)是根据颜色
的直观特性由A. R. Smith在1978年创建
的一种颜色空间,这个模型中颜色的参数
分别是：色调（H），饱和度（S），明
度（V）。

2.5.2.4 颜色模型

• H通道：Hue，色调/色彩，这个通道代
表颜色。
• S通道：Saturation，饱和度，取值范围
0%～100%，值越大，颜色越饱和。
• V通道：Value，明暗，数值越高，越明
亮，0%（黑）到100%（白）。
在这里插入图片描述

2.5.2.5 HSI颜色空间概念

• HSI模型是美国色彩学家孟塞尔(H.A.Munseu)于1915年提
出的，它反映了人的视觉系统感知彩色的方式，以色调、
饱和度和强度三种基本特征量来感知颜色。

2.5.2.6 模型优点

• 在处理彩色图像时，可仅对I分量进行处理，结果不改变
原图像中的彩色种类；
• HSI模型完全反映了人感知颜色的基本属性，与人感知颜
色的结果一一对应。
在这里插入图片描述

2.5.2.7 CMYK颜色空间概念

• CMYK(Cyan, Magenta,Yellow, blacK)颜色空间应用于印刷
工业,印刷业通过青©、品(M)、黄(Y)三原色油墨的不同
网点面积率的叠印来表现丰富多彩的颜色和阶调，这便是
三原色的CMY颜色空间。
在这里插入图片描述

3. 总结

3.1 核心知识

⚫ 数字图像基本概念
⚫ 图像的读取和显示
⚫ 图像直方图的绘制
⚫ 图像通道及通道的分离与合并
⚫ 颜色空间转化

4. 本节作业

01 本节代码复现和理解
回顾本节知识点，将本节列举的例子进行代码复现，关键代码手动
输入，加深印象
02 动手试一试：图片格式修改
选择电脑中一张图片，将其格式修改为jpg、bmp、png、tif等格式。
03 动手试一试：绘制图像直方图
拍摄几张不同亮度下的照片，并分别绘制他们的直方图，观察直方
图的变化规律

饮水思源123

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
1-图像基础知识-0614

opencv1. 数字图像处理1.1 数字图像概念1.1.1 数字图像：• 数字图像，又称数码图像，一幅二维图像可以由一个数组或矩阵表示。• 数字图像可以理解为一个二维函数f(x,y),其中 x 和 y 是空间(平面)坐标，而在任意坐标处的值 f 称为图像在该点处的强度或灰度。1.1.2 图像处理目的：• 改善图示的信息以便人们解释；• 为存储、传输和表示而对图像进行的处理1.2 数字图像起源1.2.1 最早应用的行业• 媒体（报纸业）1.2.2 最早应用的时间•
复制链接

扫一扫