《计算机视觉技术与应用》-----第四章图像变换

r i c k

已于 2022-12-19 09:44:43 修改

阅读量3.9k

点赞数 7

分类专栏：计算机视觉技术与应用文章标签： opencv python

于 2022-10-15 11:53:31 首次发布

本文链接：https://blog.csdn.net/xiaoren886/article/details/127331992

版权

计算机视觉技术与应用专栏收录该内容

9 篇文章 21 订阅

订阅专栏

系列文章目录

《计算机视觉技术与应用》-----第二章图像处理基础

《计算机视觉技术与应用》-----第三章图形用户界面

《计算机视觉技术与应用》-----第四章图像变换

《计算机视觉技术与应用》-----第五章边缘和轮廓

《计算机视觉技术与应用》-----第六章边缘和轮廓

《计算机视觉技术与应用》-----第七章边缘和轮廓

《计算机视觉技术与应用》----- 重点复盘

前言

提示：这里可以添加本文要记录的大概内容：

图像变换是指通过技术手段将图像转换为另一幅图像，如色彩空间变换、几何变换、图像模糊、阈值处理和形态变换等。

提示：以下是本篇文章正文内容，下面案例可供参考

一、4.1 色彩空间变换

#test4-1.py 将BGR色彩空间转换为RGB色彩空间

#test4-1.py 将BGR色彩空间转换为RGB色彩空间
import cv2
img=cv2.imread('bee.jpg')  	            #读取图像
cv2.imshow('BGR',img)  	                #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #转换色彩空间为RGB
cv2.imshow('RGB',img2)  	             #显示图像
cv2.waitKey(0)

#test4-2.py：BGR色彩空间转换为GRAY色彩空间

#test4-2.py：BGR色彩空间转换为GRAY色彩空间
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('BGR',img)  	        #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换色彩空间为GRAY
cv2.imshow('GRAY',img2)  	        #显示图像
cv2.waitKey(0)

#test4-3.py：BGR色彩空间转换为YCrCb色彩空间

3.1 YCrCb概念
YCrCb即YUV，主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视。与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽（RGB要求三个独立的视频信号同时传输）。其中“Y”表示明亮度（Luminance或Luma），也就是灰阶值；而“U”和“V” 表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。“色度”则定义了颜色的两个方面─色调与饱和度，分别用Cr和Cb来表示。其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。

3.2应用
在人脸检测中也常常用到YCrCb空间，因为一般的图像都是基于RGB空间的，在RGB空间里人脸的肤色受亮度影响相当大，所以肤色点很难从非肤色点中分离出来，也就是说在此空间经过处理后，肤色点是离散的点，中间嵌有很多非肤色，这为肤色区域标定(人脸标定、眼睛等)带来了难题。如果把RGB转为YCrCb空间的话，可以忽略Y(亮度)的影响，因为该空间受亮度影响很小，肤色会产生很好的类聚。这样就把三维的空间降为二维的CrCb，肤色点会形成一定得形状，如：人脸的话会看到一个人脸的区域，手臂的话会看到一条手臂的形态，对处理模式识别很有好处，根据经验某点的CrCb值满足：133≤Cr≤173，77≤Cb≤127 那么该点被认为是肤色点，其他的就为非肤色点。【参考RGB和YCrCb】

在这里插入图片描述

#test4-3.py：BGR色彩空间转换为YCrCb色彩空间
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('BGR',img)  	        #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2YCrCb) #转换色彩空间为YCrCb
cv2.imshow('YCrCb',img2)  	        #显示图像
cv2.waitKey(0)

#test4-4.py：BGR色彩空间转换为HSV色彩空间
HSV色彩空间
色相（H）是色彩的基本属性，就是平常所说的颜色名称，如红色、黄色等
用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；

饱和度（S）是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100%的数值。
明度（V），亮度（L），取0-100%。

【参考：HSV色彩空间】

#test4-4.py：BGR色彩空间转换为HSV色彩空间
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('BGR',img)  	        #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) #转换色彩空间为HSV
cv2.imshow('HSV',img2)  	        #显示图像
cv2.waitKey(0)

二、4.2 几何变换

几何变换是指对图像执行放大、缩小、旋转等各种操作。

缩放图像

在这里插入图片描述

#test4-5.py：缩放图像
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
sc=[1,0.2,0.5,1.5,2]            #设置缩放比例
cv2.imshow('showimg',img)  	#显示图像
while True:                   	    
    key=cv2.waitKey() #delay = 0：持续无限长的时间,delay >0:持续多少毫秒delay <0:等待键盘按键，任何一个按键都会关闭程序 
    if 48<=key<=52: #按键【0】、【1】、【2】、【3】或【4】
        x=y=sc[key-48]  #获得缩放比例
        img2=cv2.resize(img,None,fx=x,fy=y)   #缩放图像 dsize=None 目标图像高度=原始图像*fx
        cv2.imshow('showimg',img2)  	        #显示图像

翻转

#test4-6.py：翻转图像
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('showimg',img)  	#显示图像

img2=cv2.flip(img,0)
cv2.imshow('绕X轴垂直翻转',img2)  #绕X轴垂直翻转
img3=cv2.flip(img,1)
cv2.imshow('绕y轴水平翻转',img3)  #绕y轴水平翻转
img4=cv2.flip(img,-1)
cv2.imshow('水平、垂直翻转',img4)  #水平、垂直翻转
key=cv2.waitKey(0)

仿射
3.1 平移
平移是指将图像沿水平或垂直方向移动一定像素。

#test4-7.py：图像向左移动100像素，向下移动50像素
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
m=np.float32([[1,0,100],[0,1,50]])#创建转换矩阵
img2=cv2.warpAffine(img,m,dsize)        #平移图像
cv2.imshow('imgx+100y+50',img2)  	#显示图像
cv2.waitKey(0)

3.2 缩放
缩放矩阵M=[[h,0,0],[0,v,0]
在这里插入图片描述

#test4-8.py：图像缩放
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
m=np.float32([[0.5,0,0],[0,0.5,0]])#创建转换矩阵 缩放矩阵M=[[h,0,0],[0,v,0]
img2=cv2.warpAffine(img,m,dsize)        #执行缩放
cv2.imshow('img0.5x+0.5y',img2)  	#显示图像
cv2.waitKey(0)

3.3 旋转
在这里插入图片描述

#test4-9.py：图像旋转
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
m=cv2.getRotationMatrix2D((width/2,height/2), -60, 0.5)#创建转换矩阵 (ceter,angle,scale) angele负数表示顺时针旋转
img2=cv2.warpAffine(img,m,dsize)        #执行旋转
cv2.imshow('imgRotation',img2)  	#显示图像
cv2.waitKey(0)

3.4 三点映射变换
将图像转换为任意的平行四边形
在这里插入图片描述

#test4-10.py：图像的三点映射变换
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
src=np.float32([[0,0],[width-10,0],[0,height-1]])#取原图像中三个点
dst=np.float32([[50,50],[width-100,80],[100,height-100]])#设置三点在目标图像中的坐标
m = cv2.getAffineTransform(src, dst)#创建转换矩阵
img2=cv2.warpAffine(img,m,dsize)        #执行转换
cv2.imshow('imgThreePoint',img2)  	#显示图像
cv2.waitKey(0)

3.4 透视
在这里插入图片描述

#test4-11.py：图像的透视变换
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
src=np.float32([[0,0],[width-10,0],
                [0,height-10],[width-1,height-1]])#取原图像中四个点
dst=np.float32([[50,50],[width-50,80],
                [50,height-100],[width-100,height-10]])#设置四点在目标图像中的坐标
m = cv2.getPerspectiveTransform(src, dst)#创建转换矩阵
img2=cv2.warpPerspective(img,m,dsize)#执行转换
cv2.imshow('imgFourPoint',img2)  	#显示图像
cv2.waitKey(0)

三、4.3 图像模糊

1. 均值滤波
卷积核为3x3
在这里插入图片描述
卷积核为5x5

卷积核为21x21

代码如下：

#test4-12.py：均值滤波
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.blur(img,(21,21))		#可调整卷积核大小查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

高斯滤波
在这里插入图片描述

#test4-13.py：高斯滤波
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.GaussianBlur(img,(3,3),0,0)#可调整卷积核大小查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

3.方框滤波
归一化

未归一化

在这里插入图片描述
未归一化时，滤波结果得到的像素值可能会超过允许的最大值，从而被截断为最大值，这时就会得到一副白色图像。（也就是说，未归一化时，滤波结果为像素值之和，可能会超过255，超过截断为255，那就是白色图像）

4.中值滤波
在这里插入图片描述

#test4-15.py：中值滤波
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.medianBlur(img,5)#可调整卷积核大小查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

5. 双边滤波
在这里插入图片描述

#test4-16.py：双边滤波
import numpy as np
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.bilateralFilter(img,50,50,50)#可调整参数查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

6. 2D卷积
在这里插入图片描述

#test4-17.py：2D卷积
import numpy as np
import cv2
img=cv2.imread('lena2.jpg')
k1=np.array([[3,3,3,3,3],
             [3,9,9,9,3],
             [3,11,12,13,3],
             [3,8,8,8,3],
             [3,3,3,3,3],])/25#自定义卷积核1
k2=np.ones((5,5),np.float32)/25#自定义卷积核2  1填充数组
img2=cv2.filter2D(img,-1,k1)
cv2.imshow('imgK1',img2)
img2=cv2.filter2D(img,-1,k2)
cv2.imshow('imgK2',img2)
cv2.waitKey(0)

7.阈值处理
在这里插入图片描述

#test4-18.py：二值化阈值处理
import cv2
img=cv2.imread('bee.jpg')
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_BINARY)#阈值处理
cv2.imshow('imgTHRESH_BINARY',img2)
cv2.waitKey(0)

9.反二值化阈值处理
在这里插入图片描述

#test4-19.py：反二值化阈值处理
import cv2
img=cv2.imread('bee.jpg')
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_BINARY_INV)#阈值处理
cv2.imshow('imgTHRESH_BINARY_INV',img2)
cv2.waitKey(0)

10. 截断阈值处理
在这里插入图片描述

#test4-20.py：截断阈值处理
import cv2
img=cv2.imread('bee.jpg')
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_TRUNC)#阈值处理
cv2.imshow('imgTHRESH_TRUNC',img2)
cv2.waitKey(0)

11. 超阈值零处理
在这里插入图片描述

#test4-21.py：超阈值零处理
import cv2
img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,100,255,cv2.THRESH_TOZERO_INV)#超阈值0处理
cv2.imshow('imgTHRESH_TOZERO_INV',img2)
cv2.waitKey(0)

12.低阈值零处理
在这里插入图片描述

#test4-22.py：低阈值零处理
import cv2
img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_TOZERO)#低阈值0处理
cv2.imshow('imgTHRESH_TOZERO',img2)
cv2.waitKey(0)

五、 4.5 形态变换

1.腐蚀
OpenCV-腐蚀cv::erode
在这里插入图片描述

迭代1次
在这里插入图片描述
迭代5次

通过腐蚀操作，图像的边界被侵蚀，白色区域缩小。

#test4-26.py：腐蚀
import cv2
import numpy as np
img=cv2.imread('zh2.jpg')                   #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.ones((5,5),np.uint8)            #定义5×5核心 
img2 = cv2.erode(img,kernel,iterations = 1) #腐蚀，迭代1次
                                            #InputArray类型的src，输入图像，如Mat类型。
                                            #OutputArray类型的dst，输出图像。
                                            #InputArray类型的kernel，腐蚀操作的内核也就是上面所说的蒙版。为NULL时，默认表示以参考点为中心3*3的核。一般配合函数getStructuringElement使用，该函数可以构造一个指定形状和尺寸的蒙版。
                                            #Point类型的anchor，锚点。默认值（-1，-1），表示位于单位中心，一般不用。
                                            #int类型的iterations，迭代使用的次数，默认值为1。
                                            #int类型的borderType，推断图像外部像素的边界模式，我OpenCV版本的默认值为BORDER_CONSTANT。如果图像边界需要扩展，则不同的模式下所扩展的像素，其生成原则不同。
                                            #const Scalar&类型的borderValue，当边界为常数时的边界值，默认值为morphologyDefaultBorderValue()。
img3 = cv2.erode(img,kernel,iterations = 5) #迭代5次
cv2.imshow('img2_1',img2)                     #迭代1次结果
cv2.imshow('img2_5',img3)                     #迭代5次结果
cv2.waitKey(0)

2.膨胀
在这里插入图片描述

#test4-27.py：膨胀
import cv2
import numpy as np
img=cv2.imread('zh.jpg')                  #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.one((5,5),np.uint8)            #定义5×5核心
img2 = cv2.dilate(img,kernel,iterations = 2) #膨胀，迭代2次
                                             #src：输入的待膨胀图像，图像的通道数可以是任意的，但是图像的数据类型必须是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F之一。
                                            # dst：膨胀后的输出图像，与输入图像src具有相同的尺寸和数据类型。
                                            # kernel：用于膨胀操作的结构元素，可以自己定义，也可以用getStructuringElement()函数生成。
                                            # anchor：中心点在结构元素中的位置，默认参数为结构元素的几何中心点
                                            # iterations：膨胀的次数，默认值为1。
                                            # borderType：像素外推法选择标志，取值范围在表3-5中给出。默认参数为BORDER_DEFAULT，表示不包含边界值倒序填充。
                                            # borderValue：使用边界不变外推法时的边界值。

cv2.imshow('img2',img2)                     #显示转换结果图像
cv2.waitKey(0)

3.开运算
对图像先执行腐蚀操作，再对腐蚀的结果执行膨胀操作
在这里插入图片描述

#test4-28.py：开运算 
#对图像先执行腐蚀操作，再对腐蚀的结果执行膨胀操作
import cv2
import numpy as np
img=cv2.imread('zh2.jpg')                  #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.ones((5,5),np.uint8)            #定义5×5核心

op=cv2.MORPH_OPEN                           #设置形态操作类型

img2 = cv2.morphologyEx(img,op,kernel,iterations=2) #形态操作，迭代2次

cv2.imshow('img2',img2)                     #显示转换结果图像
cv2.waitKey(0)

4.闭运算
#与开运算相反，先对图像执行膨胀操作，再对膨胀的结果执行腐蚀操作
在这里插入图片描述

#test4-29.py：闭运算
#与开运算相反，先对图像执行膨胀操作，再对膨胀的结果执行腐蚀操作
import cv2
import numpy as np
img=cv2.imread('zh.jpg')                  #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.ones((5,5),np.uint8)            #定义5×5核心
op=cv2.MORPH_CLOSE                          #设置形态操作类型
img2 = cv2.morphologyEx(img,op,kernel,iterations=5) #形态操作，迭代5次
cv2.imshow('img2',img2)                     #显示转换结果图像
cv2.waitKey(0)

第4章实验1图像几何变换

请添加图片描述

#实验1 图像几何变换   旋转和缩放
import cv2
img = cv2.imread('clocktower.png')
cv2.imshow('showing',img)

h=img.shape[0]   #读取到原图的高度
w=img.shape[1]   #读取到原图的宽度   img.shape[2] ?  通道
angle = 1        #设置旋转的角度
scale = 1        #设置缩放比例
f = -1           #设置一个变量f=-1，f的作用就是控制缩放比例

while True:
    m = cv2.getRotationMatrix2D((w/2,h/2),-angle,scale+f*0.1)  #创建转换矩阵，以原图中心进行旋转
                                                               #顺时针选择  -angle   
                                                               #缩放比例设置 第一次：1+(-1)*0.1=1-0.1=0.9
                                                               #第二次：
    angle = (angle+10)%360                                    #设置选择角度
    scale = scale+f*0.1                                       #计算下一个缩放比例 <0.1 0.05+0.1=0.15
    if scale<=0.1 or scale >=1:                               #让缩放比例在10%~100%之间，通过变量f实现
        f=f*(-1)                                              # f是为了控制缩放
    img2 = cv2.warpAffine(img,m,(w,h))                        #执行旋转操作
    key = cv2.waitKey(100)                                    #设置0.1s
    if key == 27:
        break
    cv2.imshow('showing',img2)
cv2.destroyWindow()                                            #关闭窗口

实验2:图像形态变换

在这里插入图片描述

#实验2  开运算 先腐蚀再膨胀
import cv2
import numpy as np 
img = cv2.imread('AB.png')
cv2.imshow('img',img)

kernel = np.ones((5,5),np.uint8)  #利用numpy数组里面的ones()函数创建5x5的内核，内核全是1

op = cv2.MORPH_OPEN                       #表示开运算
img2 = cv2.morphologyEx(img,op,kernel,iterations=2)#迭代两次
img3 = cv2.morphologyEx(img,op,kernel,iterations=3)#迭代3次
cv2.imshow('img2_2',img2)
cv2.imshow('img2_3',img3)
cv2.waitKey(0)

习题

1.习题4-1：选择一幅图像，将其分别转换为RGB色彩空间、GRAY色彩空间、YCrCb色彩空间和HSV色彩空间
在这里插入图片描述

#习题4-1.py：选择一幅图像，将其分别转换为RGB色彩空间、GRAY色彩空间、YCrCb色彩空间和HSV色彩空间
import cv2
img=cv2.imread('clocktower.png')  		    #读取图像
#print(img.depth())
cv2.imshow('original',img)  	        	#显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) 	#转换色彩空间为RGB
cv2.imshow('RGB',img2)  	        	    #显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 	#转换色彩空间为GRAY
cv2.imshow('GRAY',img2)  	        	    #显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2YCrCb) 	#转换色彩空间为YCrCb
cv2.imshow('YCrCb',img2)  	        	    #显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) 	#转换色彩空间为HSV
cv2.imshow('HSV',img2)  	        	    #显示图像
cv2.waitKey(0)

2.习题4-2：选择一幅图像，对其分别执行缩放、旋转、平移、透视等操作
在这里插入图片描述

#习题4-2.py：选择一幅图像，对其分别执行缩放、旋转、平移、透视等操作
import cv2
import numpy as np
img=cv2.imread('clocktower.png')  		#读取图像
cv2.imshow('original',img)  			#显示图像
h=img.shape[0]                          	#获得图像高度
w=img.shape[1]                          	#获得图像宽度

########################################################
#*************************1.缩放************************
########################################################
img2=cv2.resize(img,None,fx=0.3,fy=0.3)   	#缩小为20%
cv2.imshow('resize',img2)  	        	#显示图像
########################################################
#*************************2.旋转************************
########################################################
m=cv2.getRotationMatrix2D((w/2,h/2),90,0.5)	#创建转换矩阵,center=(w/2,h/2)表示旋转中心
                                            #angle=90 逆时针旋转90度，scale=0.5，缩小为50%
img2=cv2.warpAffine(img,m,(w,h))        	#执行旋转 m是旋转矩阵，(w,h)表示旋转后图像的大小
cv2.imshow('Rotation',img2)
########################################################
#*************************3.平移************************
########################################################
m=np.float32([[1,0,100],[0,1,100]])		#创建平移转换矩阵，M=[[1,0,m],[0,1,n]]
                                        #x+100,y+100 向右、向下分别平移100像素
img2=cv2.warpAffine(img,m,(w,h))        	#平移图像
cv2.imshow('offset',img2)  		        #显示图像
########################################################
#*************************4.透视************************
########################################################
src=np.float32([[0,0],[w,0],
                [0,h],[w,h]])	        #取原图像中四个点
                                        #四个点分别对应四边形的四个顶点
dst=np.float32([[50,50],[w-100,50],[50,h-50],
                [w-10,h-10]])	                #设置四点在目标图像中的坐标

m = cv2.getPerspectiveTransform(src, dst)	#创建透视转换矩阵 转换矩阵函数getPerspectiveTransform
img2=cv2.warpPerspective(img,m,(w,h))		#执行转换
cv2.imshow('Perspective',img2)  		#显示图像
cv2.waitKey(0)

3.习题4-3：选择一幅图像，对其分别执行均值滤波、高斯滤波、方框滤波、中值滤波和双边滤波等操作。
在这里插入图片描述

#习题4-3.py：选择一幅图像，对其分别执行均值滤波、高斯滤波、方框滤波、中值滤波和双边滤波等操作。
import cv2
import numpy as np
img=cv2.imread('clocktower.png')                            #读取图像
cv2.imshow('original',img)                       	    #显示原图像
##################################################################
#****************************1.均值滤波***************************
##################################################################
img2=cv2.blur(img,(20,20))                              #均值滤波 ksize=(20,20)卷积核大小是20*20
cv2.imshow('blur',img2)
##################################################################
#****************************2.高斯滤波***************************
##################################################################
img2=cv2.GaussianBlur(img,(5,5),0,0)                    #高斯滤波（计算权重） ksize=(5,5),sigmaxX和sigmaxY均为0按照公式计算
cv2.imshow('GaussianBlur',img2)
##################################################################
#****************************3.方框滤波***************************
##################################################################
img2=cv2.boxFilter(img,-1,(3,3),normalize=False)        #方框滤波（是否归一化）False不进行归一化，像素值之和
cv2.imshow('boxFilter',img2)
##################################################################
#****************************4.中值滤波***************************
##################################################################
img2=cv2.medianBlur(img,21)                             #中值滤波(取中间值) 卷积核为21*21
cv2.imshow('medianBlur',img2)
##################################################################
#****************************5.双边滤波***************************
##################################################################
img2=cv2.bilateralFilter(img,20,100,100)                #双边滤波（考虑到距离和色差）   
                                                        #为了简单起见，可以将两个sigma（sigmaColor和sigmaSpace）值设置为相同的。
                                                        # 如果它们的值比较小（例如小于10），滤波的效果将不太明显；如果它们的值较大
                                                        # （例如大于150），则滤波效果会比较明显，会产卡通效果。
cv2.imshow('bilateralFilter',img2)
##################################################################
#****************************6.2D卷积*****************************
##################################################################
k1=np.array([[3,3,3,3,3],[3,9,9,9,3],[3,11,12,13,3],[3,8,8,8,3],
             [3,3,3,3,3],])/25		                    #自定义卷积核1
k2=np.ones((5,5),np.float32)/25	                        #自定义卷积核2 除以25表示用25领域的平均值作为该点的像素
img2=cv2.filter2D(img,-1,k1)                            #2D卷积
cv2.imshow('filter2D K1',img2)
img2=cv2.filter2D(img,-1,k2)
cv2.imshow('filter2D K2',img2)
cv2.waitKey(0)

5.习题4-5：绘制图4-49所示的图像，对其分别执行腐蚀、膨胀等各种形态变换操作。
在这里插入图片描述

#腐蚀、膨胀、开运算
import cv2
import numpy as np
img = cv2.imread('ball.png')
cv2.imshow('original',img)

kernel = np.ones((5,5),np.uint8)    #定义一个5x5的核心
img2 = cv2.erode(img,kernel,iterations=2) #腐蚀操作
img3 = cv2.dilate(img2,kernel,iterations=2) #膨胀操作
op = cv2.MORPH_OPEN 
img4 = cv2.morphologyEx(img,op,kernel,iterations=2) #开运算
#cv2.imshow('erode',img2)
cv2.imshow('dilate',img3)
cv2.imshow('kaiyunsuan',img4)
cv2.waitKey(0)