和我一起入门OpenCV with Python Day5

已于 2022-08-04 21:47:37 修改
阅读量108 收藏
点赞数
分类专栏： opencv with python 文章标签： python opencv 图像处理
于 2022-08-04 21:47:00 首次发布
原文链接：https://blog.csdn.net/qq_45066628/article/details/119353123
版权

二、语法介绍

（二）图像处理

  1. 图像平滑
    图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进行平滑。
  • 均值滤波
    速度快，但在去噪的同时去除了部分细节。
cv.blur(src, ksize, anchor, borderType)

参数:

  • src：输入图像
  • ksize：卷积核的大小
  • anchor：默认值 (-1,-1) ，表示核中心
  • borderType：边界类型

实战！

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

img = cv.imread("C:/Users/LEGION/Pictures/bqb/zao.jpg")

blur=cv.blur(img,(5,5))

plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('quzao')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('lvbo')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果
在这里插入图片描述

  • 高斯滤波
cv2.GaussianBlur(src,ksize,sigmaX,sigmaY,borderType)

参数：

  • src: 输入图像
  • ksize:高斯卷积核的大小，注意 ： 卷积核的宽度和高度都应为奇数，且可以不同
  • sigmaX: 水平方向的标准差
  • sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同
  • borderType:填充边界类型
    实战！
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("C:/Users/LEGION/Pictures/bqb/zao.jpg")

blur = cv.GaussianBlur(img,(5,5),1)

plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('yuan')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('gaussian')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果：
在这里插入图片描述

  • 中值滤波
cv.medianBlur(src, ksize )

实战！

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

img = cv.imread("C:/Users/LEGION/Pictures/bqb/zao.jpg")

blur = cv.medianBlur(img,5)

plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('yuan')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('medium')
plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

浅浅总结一下，看结果好像差别不大，但是中值滤波对椒盐噪声来说尤其有用

  1. 边缘检测
    标识数字图像中亮度变化明显的点
  • Sobel检测算子
    • 算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确。
    • 很多实际应用的场合，sobel边缘是首选。
    • Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。
Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

参数：

  • src：传入的图像

  • ddepth: 图像的深度

  • dx和dy: 指求导的阶数，0表示这个方向上没有求导，取值为0、1。

  • ksize: 是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。
    注意：如果ksize=-1，就演变成为3x3的Scharr算子。

  • scale：缩放导数的比例常数，默认情况为没有伸缩系数。

  • borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。

实战！

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

img = cv.imread("C:/Users/LEGION/Pictures/bqb/shu.jpg")

x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)

Scale_absX = cv.convertScaleAbs(x)  # convert 转换  scale 缩放
Scale_absY = cv.convertScaleAbs(y)

#结果合成
result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)

plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('yuan')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(result,cmap = plt.cm.gray),plt.title('Sobel')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果（好神奇好喜欢！）：
在这里插入图片描述

  • Laplacian检测算子
    利用二阶导数检测边缘
laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

实战！

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

img = cv.imread("C:/Users/LEGION/Pictures/bqb/zao.jpg")

result = cv.Laplacian(img,cv.CV_16S)
Scale_abs = cv.convertScaleAbs(result)

plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('yuan')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(Scale_abs,cmap = plt.cm.gray),plt.title('Laplacian')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果（略逊一筹哦）
在这里插入图片描述

  • Canny边缘检测
    据说是最优的嗷，等会儿看看
canny = cv2.Canny(image, threshold1, threshold2)

参数：

  • image:灰度图（好特别，它要灰度图给我搞特殊嗷）
  • threshold1: minval，较小的阈值将间断的边缘连接起来
  • threshold2: maxval，较大的阈值检测图像中明显的边缘
    实战！
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread("C:/Users/LEGION/Pictures/bqb/zao.jpg")

lowThreshold = 0
max_lowThreshold = 100
canny = cv.Canny(img, lowThreshold, max_lowThreshold) 

plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('yuan')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(canny,cmap = plt.cm.gray),plt.title('Canny')
plt.xticks([]), plt.yticks([])
plt.show()

运行结果（哦谢特什么亚我还是喜欢第一张物极必反了555）
在这里插入图片描述
操作大部分转自https://blog.csdn.net/qq_45066628/article/details/119353123
自己稍微简化了一下需要的内容
侵删

孜然星星星星
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【opencv】高斯核是怎么通过参数ksize和sigma计算得到的 cv2.getGaussianKernel()，cv.GaussianBlur()
weixin_37804469的博客
02-18 1万+
cv2.getGaussianKernel 函数只能生成一维高斯核, shape为（n, 1） 可以通过 kernel_x * kernel_y.T 生成二维高斯核 下面通过例子，生成二维高斯核，包括 通过 opencv的cv2.getGaussianKernel 函数， 我们自己手撸的高斯核函数代码， 最后检测，我们自己的代码得出的结果是否等于cv2.getGaussianKernel 函数生成的结果 import cv2 import numpy as np import math # 默认高斯.
OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔
小菜鸡的小博客
03-23 1万+
OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔 目录OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔1. 图像梯度1.1 Sobel和Scharr算子1.2 Laplacian算子2. Canny边缘检测2.1 多阶段的Canny边缘检测算法2.2 OpenCV中的Canny Edge检测 1. 图像梯度 首先我们来看看什么是图像梯度：图像梯度可以把图像看作二维离散函数，图像梯度就是这个二维函数的求导，图像边缘一般都是通过对图像进行梯度运算来
python图像对比_python如何对比图像的区别
weixin_39947396的博客
11-24 2775
python对比图像的区别方法：首先使用【pylab.imread】读取图片；然后使用【matplotlib.pylab - plt.imshow】显示图片；接着灰度图与RGB图相互转换；最后保存图片即可。【相关学习推荐：python教程】python对比图像的区别方法：一、读取图片pylab.imread和PIL.Image.open读入的都是RBG顺序，而cv2.imread读入的是BGR顺序...
opencv—图像梯度
Ms_X_Zi的博客
07-18 4201
目标： 图像梯度、边界 函数cv2.Sobel()，cv2.Scharr()，cv2.Laplacian() 简单的来说，梯度的原理就是求导数，opencv中有三种不同滤波器，或者说成高通滤波器。分别是Sobel，Scharr 和 Laplacian Sobel Sobel 和 Scharr 导数 Sobel算子是结合了高斯平滑与微分运算的结合方法，所以它的抗噪声能力很强。用户可以设...
OpenCV——图像梯度
保持一颗敬畏之心，简单地调用C++，适当地向C++妥协，让以后的自己看懂代码，让别人看懂代码。
01-20 626
目录前言原理Sobel算子与Scharr算子Laplace算子自定义内核对图像进行卷积参考问下 前言 梯度简单来说就是求导，OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。 Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。 Laplacian 是求二阶导数。图像上表现出来的就是提取图像的边缘（不管是横向的、纵向的、斜方向的等等）。 原理 Sobel算子与Scharr
OpenCV轻松入门_python-opencvpdf_opencv
09-10
OpenCV轻松入门，面向Python
OpenCV轻松入门,opencv轻松入门面向pythonPDF下载,Python
09-10
OpenCV（开源计算机视觉库）是计算机视觉领域中一个广泛使用的库，尤其在Python编程语言中，它提供了丰富的功能，让开发者能够轻松处理图像和视频数据。本篇将深入介绍OpenCV的基础知识，以及如何使用Python与OpenCV...
opencv-python-4.10.0.82.tar.gz
06-08
这个压缩包“opencv-python-4.10.0.82.tar.gz”包含了Python接口的OpenCV库版本4.10.0.82，是开发人员在Python环境中进行图像和视频处理的重要资源。 OpenCV-Python是OpenCV库的一个Python绑定，它使得Python程序员...
opencv-python-4.10.0.84.tar.gz
最新发布
06-26
总之，`opencv-python-4.10.0.84.tar.gz`是一个非常实用的资源，对于进行计算机视觉和深度学习项目开发的Python程序员来说，它是不可或缺的工具之一。无论是初学者还是专业人士，都能从中受益，提升自己的图像处理和...
简单图像处理（opencv-python入门）
01-20
参考书目：《Python人脸识别——从入门到工程实践》王天庆著 1.负片（相机底片） import cv2 import numpy as np img=cv2.imread(1.png) cv2.imshow(lala,img) cv2.waitKey(1000) print(img) height=img.shape[0] ...
win10+Python3.7.3+OpenCV3.4.1入门学习（七）————7.3高斯滤波
qq_951274168的博客
12-11 2095
Python版本是Python3.7.3，OpenCV版本OpenCV.3.4.1，开发环境为PyCharm 在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。 7.3.1 基本原理 在高斯滤波中，卷积核中的值不再都是1。例如，一个3×3的卷积核可能如下图所示： 在图7中，针对最左...
OpenCV.高斯模糊
kicinio的博客
10-29 4403
高斯模糊 均值模糊系kernal系数均相等情况下，实际上还存在着在空间上由于相对位置不同而引起kernal中每个系数有不同的权重的模糊，称之为高斯模糊。高斯模糊的每个系数的权重由高斯正太分布而生成，根据高斯公式可知，当δ为1时，对于kernal而言，越在卷积核中心，其系数越高。当然，δ越大，其模糊程度也越明显。在OpenCV中，高斯模糊由**Gaussianblur()**实现，该函数定义如下： GaussianBlur(src, dst, ksize, sigmaX) 各参数解释如下： src 表示此
opencv 报错 error: (-215) ksize.width > 0 && ksize.width % 2 == 1 && ksize.height > 0 && ksize.height ...
weixin_34383618的博客
03-12 2347
import cv2 img = cv2.imread('MAYI1.jpg', 0)#读取初始图片 ret, yuzhi = cv2.threshold(img, 116, 255, cv2.THRESH_BINARY) mohu = cv2.GaussianBlur(yuzhi, (8, 8), 0)#阈值和模糊处理 试图运行此段代码，报错 修改高斯模糊内核大小之后 ...
opencv 图像去噪学习总结
热门推荐
bcbobo21cn的专栏
03-12 7万+
OpenCV图像处理篇之图像平滑 图像平滑算法 程序分析及结果 图像平滑算法 图像平滑与图像模糊是同一概念，主要用于图像的去噪。平滑要使用滤波器，为不改变图像的相位信息， 一般使用线性滤波器，其统一形式如下： 其中h称为滤波器的核函数，说白了就是权值。不同的核函数代表不同的滤波器，有不同的用途。 在图像处理中，常见的滤波器包括： 归一化滤波器（Homogeneous blur） 也是均值滤波器...
OpenCV学习笔记（十三）边缘检测
spw_1201的博客
12-15 4955
边缘检测： 边缘检测算子有很多，Sobel、Laplace、Prewitt、Canny、Marr-Hildresh。 Sobel算子： Sobel算子是主要用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导，用于计算图像灰度函数的近似梯度。 void Sobel(InputArray src, OutputArray dst, int ddepth, int xorder, int
python-OpenCV 之 常用API
li_il的博客
11-12 1896
边界扩充 函数语法：copyMakeBorder (src, dst, top, bottom, left, right, borderType, value) 参数 解释 Src 输入矩阵 Dst 输出矩阵，对src边界扩充后的结果 Top ...
python-opencv 中值滤波{cv2.medianBlur(src, ksize)}
A_Z666666的博客
08-01 2万+
中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的 中值 代替 。与邻域平均法类似，但计算的是中值 #用中值法 for y in xrange(1,myh-1): for x in xrange(1,myw-1): lbimg[y,x]=np.median(tmpimg[y-1:y+2,x-1:x+2] 下面调用opencv的函数 # -*- ...
OPENCV中的Sobel函数
无名小卒
06-14 4万+
sobel算子是一种常用的边缘检测算子，是一阶的梯度算法。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。它进行处理的模板如下：
OpenCV图像处理篇之边缘检测算子
xiahouzuoxin
11-16 4万+
3种边缘检测算子灰度或结构等信息的突变位置是图像的边缘，图像的边缘有幅度和方向属性，沿边缘方向像素变化缓慢，垂直边缘方向像素变化剧烈。因此，边缘上的变化能通过梯度计算出来。一阶导数的梯度算子对于二维的图像，梯度定义为一个向量，Gx对于x方向的梯度，Gy对应y方向的梯度，向量的幅值本来是 mag(f) = (Gx2 + Gy2)1/2，为简化计算，一般用mag(f)=|Gx|+|Gy|近似，幅值同时
OpenCV with Python实战：图像几何变换与边缘检测
《OpenCV with Python By Example》是一本实用的教程书籍，专为希望学习和应用OpenCV（Open Source Computer Vision Library）与Python编程结合的读者设计。本书以实例为导向，深入浅出地介绍了OpenCV在图像处理、...
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