计算机视觉：图像基本操作实验

于 2023-03-25 09:33:25 发布
阅读量419 收藏 1
点赞数
分类专栏： 计算机视觉 文章标签： 计算机视觉 opencv python
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_51998427/article/details/129762988
版权

计算机视觉：图像基本操作实验

文章目录

1.实验内容：

1.分别使用PIL库和OpenCV库读取图像并实现可视化，对比 OpenCV读取和PIL读取的差异；

实现方法：
def Showimg():
    img1=cv2.imread(ImagePath)
    img2=Image.open(ImagePath)
    print('opencv_type',type(img1))#输出类型对比差别
    print("pil_type",type(img2))
    print('opencv_shape',img1.shape)#输出读入顺序
    print('pil_size',img2.size)
    # img1.show()
    cv2.imshow('opencvimg',img1)
    cv2.waitKey(0)
    img2.show()
    # cv2.imshow('pilimg',img2)
实验结果：

Opencv读取图像可视化

image-20230322200758078

PIL读取图像可视化

image-20230322200816891

读取差别验证：

image-20230322200940514

结果分析：

二者的图像读取格式不同，当图像格式为jpg时，PIL读入图像，类型为PIL.JpegImagePlugin.JpegImageFile；OpenCV读入图像，直接就是numpy.ndarray。

二者的宽高的读取顺序不同，PIL读入图像，顺序为：（宽，高）OpenCV读入图像，顺序为：（高，宽，通道数）

除此外二者的区别还有读取的通道顺序不同，PIL读入为R、G、B；OpenCV读入为B、G、R

2.利用thumbnail()函数创建图像缩略图，利用resize()函数 处理图像，对比两者差别；

实现方法：
#利用thumbnail()函数创建图像缩略图，利用resize()函数处理图像，对比两者差别；
def ChangeSize():
    img1=Image.open(ImagePath)
    img2=Image.open(ImagePath)
    print('原尺寸',img1.size)
    img1.thumbnail((256,256))
    print('缩略图尺寸',img1.size)
    img1.show('thumbnail')
    img2=img2.resize((256,256))
    print('resize尺寸',img2.size)
    img2.show('resize')
实验结果：

左边为thumbnail处理图像，右边为resize处理图像

image-20230322201639923

处理前后图片大小对比：

image-20230322201850648

结果分析：

thumbnail ()之后的图片大小与预设的不一样，而 resize() 就不会这样

resize()函数会返回一个Image对象, thumbnail()函数返回None。

resize()中的size参数直接设定了resize之后图片的规格, 而thumbnail()中的size参数则是设定了图片大小的最大值. 所以经过resize()处理的图片可能会被拉伸, 而经过thumbnail()处理的图片不会被拉伸。

3.绘制图像的轮廓与直方图；

实现方法：
#绘制图像的轮廓与直方图
def ContourAndHist():
    img=array(Image.open(ImagePath).convert('L'))#读取转化灰度
    # cv2.imshow('grayimg',img)
    # cv2.waitKey(0)
    figure()
    gray()#不使用颜色信息
    contour(img,origin="image")
    axis=('equal')
    axis=('off')
    figure()
    hist(img.flatten(),128)
    show()
实验结果：

image-20230322202857235

结果分析：

绘制轮廓需要对每个坐标的像素值施加一个阈值，所以首先需要将图像灰度化。

直方图：用来表征该图像像素值得分布情况。用一定的小区间来指定表征像素值的范围，每个小区间会得到落入该小区间表示范围的像素数目。hist()函数:参数二：指定小区间的数目。参数一：只接受一维数组作为输入，因此在绘制图像直方图前，必须对图像进行压平处理。flatten()将任意数组按照行优先准则转换成一维数组。

4.实现图像的灰度变换、直方图均衡化；

实现方法：
#实现图像的灰度变换、直方图均衡化
def GraytrAndHisteq():
    img=array(Image.open(ImagePath).convert('L'))
    img1=255-img#反相处理
    img2=(100.0/255)*img+100#灰度值转化到100至200间
    img3=255.0*(img/255.0)**2#灰度值平方
    figure()
    gray()
    imshow(img)
    figure()
    gray()
    imshow(img1)
    figure()
    gray()
    imshow(img2)
    figure()
    gray()
    imshow(img3)
    # Image.fromarray(uint8(img)).show()
    # Image.fromarray(uint8(img1)).show()
    # Image.fromarray(uint8(img2)).show()
    # Image.fromarray(uint8(img3)).show()
    img0,cdf=histeq(img)
    figure()
    gray()
    imshow(img0)
    # Image.fromarray(uint8(img0)).show()
    figure()
    hist(img0.flatten(),128)
    show()

#直方图均衡化具体方法
def histeq(img,nbr_bins=256):#bin指定直方图条数
    imghist,bins = histogram(img.flatten(),nbr_bins,normed=True)#计算图像的直方图
    cdf=imghist.cumsum()
    cdf=255*cdf/cdf[-1]#归一化
    img2=interp(img.flatten(),bins[:-1],cdf)#使用cdf的线性插值计算新的像素值
    return img2.reshape(img.shape),cdf
实验结果：

从左到右依次为 ：原图、反相处理、灰度值转化到100至200间、灰度值平方

image-20230322205458320

直方图均衡化后的灰度图以及灰度直方图：

image-20230322205730219

结果分析：

直方图均衡化后图像的对比度增强了,原先图像灰色区域的细节变得清晰

5.实现图像的不同高斯模糊、计算导数；

实现方法：

高斯模糊

#实现图像的不同高斯模糊
def GaussianBlur():
    #模糊灰度图
    grayimg=array(Image.open(ImagePath).convert('L'))
    for i in range(3):
        img0=filters.gaussian_filter(grayimg,5*i+5)
        Image.fromarray(uint8(img0)).show()
    
    #高斯模糊彩色图像
    img=array(Image.open(ImagePath))
    img1=zeros(img.shape)#创建一个列表用来存储彩色图像
    for i in range(3):
        for j in range(3):
            img1[:,:,j]=filters.gaussian_filter(img[:,:,j],5*i+5)
        img1=uint8(img1)
        img1=array(img1,'uint8')
        Image.fromarray(uint8(img1)).show()

计算导数：

#计算导数
def Derivative():
    img=array(Image.open(ImagePath).convert('L'))
    #Sobel滤波
    imgy=zeros(img.shape)
    filters.sobel(img,0,imgy)#导数方向选择，1为x方向，0为y方向
    Image.fromarray(uint8(imgy)).show()
    imgx=zeros(img.shape)
    filters.sobel(img,1,imgx)#导数方向选择，1为x方向，0为y方向
    Image.fromarray(uint8(imgx)).show()
    #gaussian滤波
    sigma=5
    imgy2=zeros(img.shape)
    filters.gaussian_filter(img,(sigma,sigma),(1,0),imgy2)#导数方向选择，1,0为y方向
    Image.fromarray(uint8(imgy2)).show()
    imgx2=zeros(img.shape)
    filters.gaussian_filter(img,(sigma,sigma),(0,1),imgx2)#导数方向选择，0,1为x方向
    Image.fromarray(uint8(imgx2)).show()
实验结果：

灰度图像的不同高斯模糊：σ=5,σ=10,σ=15

image-20230322210711007

彩色图像的不同高斯模糊：σ=5,σ=10,σ=15

image-20230322211150275

Sobel滤波求导数：Y方向、X方向

image-20230322211737498

高斯滤波求导数：Y方向、X方向、sigma=5

image-20230322212020944

高斯滤波求导数：Y方向、X方向、sigma=1

image-20230323220829112

结果分析：

sobel()函数的第二个参数表示选择x或者y方向导数,第三个参数保存输出的变量，在使用sobel两个导数图像中,正导数显示为亮的像素,负导数显示为暗的像素。灰色区域表示导数的值接近于零

使用Gaussian滤波求导的效果可视化较差，原因是由于sigma过大，当将sigma调小后，可视化效果变得较好。

6.形态学计数（计算圆形个数等）、去噪；

实现方法：

形态学计数

def ObjNum():
    #载入图像
    img=array(Image.open('./cell.png').convert('L'))
    #阙值化操作，保证图像是二值图像
    img=1*(img<128)
    labels,num= measurements.label(img)
    print('数量:',num)
    # print(type(labels))
    # Image.fromarray(uint8(img)).show()
    figure()
    gray()
    imshow(img)
    plt.title(num)
    # figure()
    # gray()
    # imshow(labels)
    show()

去噪

#ROF模型实现图像去噪
def Denoise():
    img=array(Image.open(ImagePath).convert('L'))
    figure()
    gray()
    imshow(img)
    U,T=denoise(img,img)
    figure()
    gray()
    imshow(U)
    figure()
    gray()
    imshow(T)
    show()



#去噪声具体方法  返回的U
def denoise(im,U_init,tolerance=0.1,tau=0.125,tv_weight=100):
    """使用A. Chambolle(2005)在公式（11）中的计算步骤实现Rudin-Osher-Fatemi(ROF)去噪模型
        输入：含有噪声的输入图像（灰度图像）、U的初始值、TV正则项权值、步长、停业条件
        输出：去噪和去除纹理后的图像、纹理残留"""
    m,n = im.shape  #噪声图像的大小
 
    #初始化
    U = U_init
    Px = im #对偶域的x分量
    Py = im #对偶域为y分量
    error = 1
 
    while(error>tolerance):
        Uold = U
 
        #原始变量的梯度
        GradUx = roll(U,-1,axis=1)-U    #变量U梯度的x分量
        GradUy = roll(U,-1,axis=0)-U    #变量U梯度的y分量
 
        #更新对偶变量
        PxNew = Px + (tau/tv_weight)*GradUx
        PyNew = Py + (tau/tv_weight)*GradUy
        NormNew = maximum(1,sqrt(PxNew**2+PyNew**2))
 
        Px = PxNew/NormNew  #更新x分量（对偶）
        Py = PyNew/NormNew  #更新y分量（对偶）
 
        #更新原始变量
        RxPx = roll(Px,1,axis=1)    #对x分量进行向右x轴平移
        RyPy = roll(Py,1,axis=0)    #对y分量进行向右y轴平移
 
        DivP = (Px-RxPx) + (Py-RyPy) #对偶域的散度
        U = im + tv_weight*DivP  #更新原始变量
 
        #更新误差
        error = linalg.norm(U - Uold)/sqrt(n*m)
 
    return U,im-U #去噪后的图像和纹理残余
实验结果：

终端或图片标题可以查看估计的图形数量：

image-20230322213718129

从左到右分别为原图的灰度图、去噪后图像、去噪后的纹理残余图像

image-20230322213934382

结果分析：

上述使用的计数方法的结果受图像的二值化效果影响较大，当二值化的阈值改变时，对计数结果影响很大。

2.实验实现总代码

import cv2
import numpy as np
from PIL import Image
import os
from pylab import *
from scipy.ndimage import filters
from scipy.ndimage import measurements,morphology



ImagePath='./testimg.jpg'

#分别使用PIL库和OpenCV库读取图像并实现可视化，对比OpenCV读取和PIL读取的差异；
def Showimg():
    img1=cv2.imread(ImagePath)
    img2=Image.open(ImagePath)
    print('opencv_type',type(img1))#输出类型对比差别
    print("pil_type",type(img2))
    print('opencv_shape',img1.shape)#输出读入顺序
    print('pil_size',img2.size)
    # img1.show()
    cv2.imshow('opencvimg',img1)
    cv2.waitKey(0)
    img2.show()
    # cv2.imshow('pilimg',img2)


#利用thumbnail()函数创建图像缩略图，利用resize()函数处理图像，对比两者差别；
def ChangeSize():
    img1=Image.open(ImagePath)
    img2=Image.open(ImagePath)
    print('原尺寸',img1.size)
    img1.thumbnail((256,256))
    print('缩略图尺寸',img1.size)
    img1.show('thumbnail')
    img2=img2.resize((256,256))
    print('resize尺寸',img2.size)
    img2.show('resize')
    

#绘制图像的轮廓与直方图
def ContourAndHist():
    img=array(Image.open(ImagePath).convert('L'))#读取转化灰度
    # cv2.imshow('grayimg',img)
    # cv2.waitKey(0)
    figure()
    gray()#不使用颜色信息
    contour(img,origin="image")
    axis=('equal')
    axis=('off')
    figure()
    hist(img.flatten(),128)
    show()


#实现图像的灰度变换、直方图均衡化
def GraytrAndHisteq():
    img=array(Image.open(ImagePath).convert('L'))
    img1=255-img#反相处理
    img2=(100.0/255)*img+100#灰度值转化到100至200间
    img3=255.0*(img/255.0)**2#灰度值平方
    figure()
    gray()
    imshow(img)
    figure()
    gray()
    imshow(img1)
    figure()
    gray()
    imshow(img2)
    figure()
    gray()
    imshow(img3)
    # Image.fromarray(uint8(img)).show()
    # Image.fromarray(uint8(img1)).show()
    # Image.fromarray(uint8(img2)).show()
    # Image.fromarray(uint8(img3)).show()
    img0,cdf=histeq(img)
    figure()
    gray()
    imshow(img0)
    # Image.fromarray(uint8(img0)).show()
    figure()
    hist(img0.flatten(),128)
    show()

#直方图均衡化具体方法
def histeq(img,nbr_bins=256):#bin指定直方图条数
    imghist,bins = histogram(img.flatten(),nbr_bins,normed=True)#计算图像的直方图
    cdf=imghist.cumsum()
    cdf=255*cdf/cdf[-1]#归一化
    img2=interp(img.flatten(),bins[:-1],cdf)#使用cdf的线性插值计算新的像素值
    return img2.reshape(img.shape),cdf


#实现图像的不同高斯模糊
def GaussianBlur():
    #模糊灰度图
    grayimg=array(Image.open(ImagePath).convert('L'))
    for i in range(3):
        img0=filters.gaussian_filter(grayimg,5*i+5)
        Image.fromarray(uint8(img0)).show()
    
    #高斯模糊彩色图像
    img=array(Image.open(ImagePath))
    img1=zeros(img.shape)#创建一个列表用来存储彩色图像
    for i in range(3):
        for j in range(3):
            img1[:,:,j]=filters.gaussian_filter(img[:,:,j],5*i+5)
        img1=uint8(img1)
        img1=array(img1,'uint8')
        Image.fromarray(uint8(img1)).show()



#计算导数
def Derivative():
    img=array(Image.open(ImagePath).convert('L'))
    #Sobel滤波
    imgy=zeros(img.shape)
    filters.sobel(img,0,imgy)#导数方向选择，1为x方向，0为y方向
    Image.fromarray(uint8(imgy)).show()
    imgx=zeros(img.shape)
    filters.sobel(img,1,imgx)#导数方向选择，1为x方向，0为y方向
    Image.fromarray(uint8(imgx)).show()
    #gaussian滤波
    sigma=5
    imgy2=zeros(img.shape)
    filters.gaussian_filter(img,(sigma,sigma),(1,0),imgy2)#导数方向选择，1,0为y方向
    Image.fromarray(uint8(imgy2)).show()
    imgx2=zeros(img.shape)
    filters.gaussian_filter(img,(sigma,sigma),(0,1),imgx2)#导数方向选择，0,1为x方向
    Image.fromarray(uint8(imgx2)).show()


def ObjNum():
    #载入图像
    img=array(Image.open('./cell.png').convert('L'))
    #阙值化操作，保证图像是二值图像
    img=1*(img<128)
    labels,num= measurements.label(img)
    print('数量:',num)
    print(type(labels))
    # Image.fromarray(uint8(img)).show()
    figure()
    gray()
    imshow(img)
    # figure()
    # gray()
    # imshow(labels)
    show()

#ROF模型实现图像去噪
def Denoise():
    img=array(Image.open(ImagePath).convert('L'))
    figure()
    gray()
    imshow(img)
    U,T=denoise(img,img)
    figure()
    gray()
    imshow(U)
    figure()
    gray()
    imshow(T)
    show()



#去噪声具体方法  返回的U
def denoise(im,U_init,tolerance=0.1,tau=0.125,tv_weight=100):
    """使用A. Chambolle(2005)在公式（11）中的计算步骤实现Rudin-Osher-Fatemi(ROF)去噪模型
        输入：含有噪声的输入图像（灰度图像）、U的初始值、TV正则项权值、步长、停业条件
        输出：去噪和去除纹理后的图像、纹理残留"""
    m,n = im.shape  #噪声图像的大小
 
    #初始化
    U = U_init
    Px = im #对偶域的x分量
    Py = im #对偶域为y分量
    error = 1
 
    while(error>tolerance):
        Uold = U
 
        #原始变量的梯度
        GradUx = roll(U,-1,axis=1)-U    #变量U梯度的x分量
        GradUy = roll(U,-1,axis=0)-U    #变量U梯度的y分量
 
        #更新对偶变量
        PxNew = Px + (tau/tv_weight)*GradUx
        PyNew = Py + (tau/tv_weight)*GradUy
        NormNew = maximum(1,sqrt(PxNew**2+PyNew**2))
 
        Px = PxNew/NormNew  #更新x分量（对偶）
        Py = PyNew/NormNew  #更新y分量（对偶）
 
        #更新原始变量
        RxPx = roll(Px,1,axis=1)    #对x分量进行向右x轴平移
        RyPy = roll(Py,1,axis=0)    #对y分量进行向右y轴平移
 
        DivP = (Px-RxPx) + (Py-RyPy) #对偶域的散度
        U = im + tv_weight*DivP  #更新原始变量
 
        #更新误差
        error = linalg.norm(U - Uold)/sqrt(n*m)
 
    return U,im-U #去噪后的图像和纹理残余




if __name__ == '__main__':
    # Showimg()
    # ChangeSize()
    # ContourAndHist()
    # GraytrAndHisteq()
    # GaussianBlur()
    # Derivative()
    # ObjNum()
    # Denoise()
目标四级424
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
计算机视觉基础实验——HOG算法
molongqishi的博客
06-06 597
计算机视觉基础实验——HOG算法
【计算机视觉 实验一 图像的基本操作】
m0_51433225的博客
07-08 1847
实验软件 Python、OpenCV、NumPy1.获取实验用图像：SuYiMing.jpeg.使用OpenCV的imread函数将图像读入，将图像转为灰度图像后另存为Lena.jpg文件，显示原图和灰度图。 2. 将lena.bmp.图像文件读入，在其左上角添加文字“OpenCV on Lena”， 显示运算前后图像。 3. 将A.bmp和B.bmp图像进行相减，显示运算前后图像，并分析其中颜色变化的原因。 4. 对lena.bmp图像做水平镜像，显示运算前后图像。 5. 将lena.bmp图像放大4倍，
图像处理之python读取bmp(1/4/8/16/24位)
qq_45812612的博客
10-14 1万+
@图像处理之读取bmp(1/4/8/16/24位) 图像处理之读取bmp(1/4/8/16/24位) 之前做图像处理作业，要求用read读取bmp，但是网上好像都没有找到能够读取各种位图的python程序。。。实属无奈 首先要获得1bit，4bit，8bit，16bit和24bit的图像。首先用Photoshop打开一张正常的jpg图片，接着在储存中选择bmp格式，分别选择24位和16位，但是1,4,8位无法选择，此时新建一张画布，在创建时选择8位，然后将上述图片导入画布，点击图像-模式-位图，并且按照上述
Python图像处理库(1)
weixin_30556959的博客
05-17 1909
转自：http://www.ituring.com.cn/tupubarticle/2024 第 1 章　基本的图像操作和处理 本章讲解操作和处理图像的基础知识，将通过大量示例介绍处理图像所需的 Python 工具包，并介绍用于读取图像、图像转换和缩放、计算导数、画图和保存结果等的基本工具。这些工具的使用将贯穿本书的剩余章节。 1.1　PIL：Python图像处理类库 PIL（Python...
Python计算机视觉编程第一章 基本的图像操作与处理
Yangshengmig_zZ
07-21 705
基本的图像操作与处理1 PIL:Python图像处理类库1.1 转换图像格式1.2 创建缩略图1.3 复制和粘贴图像区域1.4 调整尺寸和旋转2 Matplotlib2.1 绘制图像、点和线2.2 图像轮廓和直方图2.3 交互式标注3 Numpy3.1 图像数组表示3.2 灰度变换3.3 直方图均衡化3.4 图像的主成分分析（PCA）3.5 使用pickle模块4 Scipy4.1 图像模糊4.2 图像导数4.3 形态学：对象计数 1 PIL:Python图像处理类库 PIL（Python Imaging
计算机视觉实验：图像增强应用实践
07-31
在这个实验中，我们关注的是图像增强技术，这是一种提升图像质量和可读性的方法，对计算机视觉应用至关重要。 1. **均值滤波**：在压缩包中，"均值滤波opencv.py"和"均值滤波.py"这两个文件显然涉及到均值滤波技术...
山东大学数字图像处理实验一：图像基本操作
01-17
在本实验中，我们将深入探讨数字图像处理的基础知识，这是计算机视觉领域的重要组成部分。这个实验主要针对山东大学的学生，旨在通过实践操作来理解和掌握图像的基本操作。实验采用C++编程语言，并利用OpenCV（开源...
计算机视觉实验：图像处理综合-路沿检测
最新发布
07-31
计算机视觉实验：图像处理综合-路沿检测
计算机视觉 实验一 图像的基本操作 实验用图片
07-08
在这个实验中，我们将聚焦于“图像的基本操作”，这是计算机视觉学习的基础。图像处理是计算机视觉中的核心环节，它允许我们对数字图像进行各种变换，以便更好地理解和解析图像内容。 在“图像的基本操作”中，通常...
计算机视觉，图像分割：活性污泥显微图像
07-30
本实验通过MATLAB实现了基本的图像预处理、边缘检测、形态学操作以及面积开运算等技术，成功地完成了图像分割任务。未来的研究可以探索更高级的图像分割算法，如基于深度学习的方法，以提高分割精度和鲁棒性。
opencv-python学习笔记【更新中】
qq_45700830的博客
01-23 1683
基于明日科技的《Python OpenCV从入门到实践》的学习笔记
信息隐藏——第四章 图像信息隐藏数
芒果奶昔
02-12 6307
从本章开始, 我们将具体接触到许多数字信息的隐写术。为了与后面数字水印技术相区别, 我们也将隐写术称为信息隐秘技术。本章主要阐述图像信息作为秘密信息的隐藏, 即图像降级隐写。 在整个介绍信息隐秘技术部分, 为了统一起见, 我们约定以下名词: 称需要隐秘的信息为秘密信息( secret) , 秘密信息隐藏的媒介叫做载体( cover) , 隐藏后的结果叫做隐蔽载体( stego-cover) 一、图...
opencv数字图像处理学习1：显示图像、灰度化、二值化、储存图像。基于python3.9、pycharm2021.2
steveqobs
09-25 1355
opencv数字图像处理学习1：基础操作确认配置1、创建项目、选择编译器2、确认file->setting中 设置了python解释器开始1、打开图像2、显示图像3、灰度化4、二值化5、储存图像 确认配置 1、创建项目、选择编译器 2、确认file->setting中 设置了python解释器 选择之后会看到有这些包，右边会显示最新版本，不用理会，点击ok就行了 但是必须要有opencv-python和numpy包，图像处理的作业都会引入这两个，没有的话点击加号自己下载或参考上一篇文章 开始
【数字图像处理】实验（1）——图像基本变换
m0_52435951的博客
04-29 1万+
（1）将彩色图像采用不同的灰度化方法实现灰度化； （2）将彩色图像变换到 YCbCr、HSV 空间，熟悉各分量数据并显示； （3）不采用 Matlab 函数，自行设计基于双线性插值的图像放大程序。
OpenCv3图像处理—002.图像处理（基于python）
weixin_45437235的博客
06-25 256
OpenCv3图像处理—002.图像处理（基于python） 上一篇博客已经介绍了载入图像，显示图像，接下来将对图像有进一步的处理，本篇博客包括：1.将图像转换成灰度图；2.截取部分图像数据；3.颜色通道的提取；4.颜色通道的合并；5.只保留一个通道；6.保存图像。 1.将图像转换成灰度图： 使用cv2.IMREAD_GRAYSCALE()函数，对图像进行灰度化处理。 正确的格式为： img = cv2.imread(r’cat.jpg’,cv2.IMREAD_GRAYSCALE) #原始图像 #灰度图像
数字图像处理实验三各种图像类型转换
氮气蜗牛的博客
03-30 2569
1. 进入 Matlab 7.11 集成开发环境，并打开脚本编辑器。 2. 在脚本编辑器中编写一段程序，要求： (1) 读入存放在 lena.jpg 中的原始图像，分别将其转换为 64 级和 16 级的索 引图像，并显示； (2) 读入存放在 autumn.tif 中的原始图像，将其转换为灰度图像，并显示； (3) 用 load 命令调入 woman.mat 索引图像，将其转换为灰度图像，并显示； (4) 对 woman.mat 中储存的索引图像，分别用阈值 0.5 和 0.6 进行
数字图像处理：灰度化
深度学习与计算机视觉
06-09 887
你有没有想过图像编辑软件中的方法是如何改变图像外观的？或者你是否正在寻找一种可用于灰度图像的简单方法？本文将重点介绍数字图像处理的基础知识，并介绍一种 Python 中可用于对图像进行灰度化的方法。什么是数字图像处理？数字图像处理是指使用数字计算机处理图像。例如，数字图像处理可用于改变图像的亮度或对比度，或扫描图像以查找特定图案，例如面部或物体。数字图像由包含表示图像强度...
【数字图像处理】实验一图像基本变换（MATLAB实现）
热门推荐
m0_67463447的博客
04-07 1万+
目录 一、实验意义及目的 二、实验内容 三、Matlab 相关函数介绍 四、参考代码 五、运行结果 一、实验意义及目的 （1）了解和掌握图像处理工具 Matlab，熟悉基于 Matlab 的图像处理函数，并为下一步 编程进行图像处理打下基础。 （ 2）理解色彩的概念，掌握图像代数运算，几何变换方法。 二、实验内容 打开一幅彩色图像 Image1，使用 Matlab 图像处理函数，对其进行下列变换： （1）将 Image1 色彩通道互换，并显示效果； （2）将 .
Halcon学习（3）读取图片操作
WonderZYP的博客
01-01 9886
Halcon读取图像的几种办法
计算机视觉实验：图像处理和金字塔采样
缩放图片是计算机视觉中的一种基本操作，用于改变图像的尺寸。我们可以使用 OpenCV 的 resize 函数来完成缩放操作。在本题中，我们将图像的长和宽都乘以 2，以使图像的尺寸变大。 高斯滤波是一种图像滤波技术，用于...
评论
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