AI19-第二周进阶作业

AI19-第二周进阶作业

1. 以Lena为原始图像，通过OpenCV实现平均滤波，高斯滤波及中值滤波，比较滤波结果。

 import cv2 as cv

filename = r'E:\Pycharm_Work_place\Lenapinghuachuli\lena.jpg'

img = cv.imread(filename)
img1 = cv.resize(img, (400, 400), interpolation=cv.INTER_LANCZOS4)#改变图像尺寸
imgGauss = cv.GaussianBlur(img1, (5, 5), 0)#高斯滤波
imgblur = cv.blur(img1, (1, 15))#均值滤波
medianBlur = cv.medianBlur(img1, 3)#中值滤波

cv.imshow("source image", img1)
cv.imshow("Gaussian filename image", imgGauss)
cv.imshow("blur image", imgblur)
cv.imshow("medianBlur image", medianBlur)
cv.waitKey()
cv.destroyAllWindows()#显示图像

结果：
比较分析：
由图可见，高斯平滑在图像平滑处理中表现较好，也是非常常用的一种滤波方式。中值滤波有利于椒盐噪声的处理，还有一定的保边作用。而平均滤波表现出的效果就感觉没有那么好。

2. 以Lena为原始图像，通过OpenCV使用Sobel及Canny算子检测，比较边缘检测结果。

#coding = utf-8
import cv2 as cv
import numpy as np

filename = r'E:\Pycharm_Work_place\bianyuanjiance\lena.jpg'

img = cv.imread(filename)
img1 = cv.resize(img, (400,400), interpolation=cv.INTER_LANCZOS4)
gray = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)

#########     Sobel算子边缘检测    #############
x = cv.Sobel(gray, cv.CV_16S, 1, 0)
y = cv.Sobel(gray, cv.CV_16S, 0, 1)
adsX = cv.convertScaleAbs(x)
adsY = cv.convertScaleAbs(y)
dst = cv.addWeighted(adsX, 0.5, adsY, 0.5, 0)

cv.imshow("adsX", adsX)
cv.imshow("adsY", adsY)
cv.imshow("Sobel_Result", dst)

# cv.waitKey()
# cv.destroyAllWindows()
################################################

############  Canny算子边缘检测   ##############
canny = cv.Canny(gray, 80, 200)

def nothing(x):
    pass
cv.namedWindow('res')
cv.createTrackbar('min', 'res', 0, 25, nothing)
cv.createTrackbar('max', 'res', 0, 25, nothing)
while(1):
    if cv.waitKey(1)&0xFF==27:
        break
    maxVal=cv.getTrackbarPos('max', 'res')
    minVal=cv.getTrackbarPos('min', 'res')
    canny=cv.Canny(img, 10*minVal, 10*maxVal)
    cv.imshow('res', canny)
    cv.waitKey()
    cv.destroyAllWindows()

# cv.imshow("canny image", canny)

cv.waitKey()
cv.destroyAllWindows()

结果：
结果分析：
sobel算子检测由x轴，y轴分别计算然后合成，效果最佳。边缘检测较明显。
canny算子边缘检测检测较明显，阈值二值化处理，极大值抑制使图像边缘与其他区域区分更加明显。

3. 在OpenCV安装目录下找到课程对应演示图片(安装目录\sources\samples\data)，首先计算灰度直方图，进一步使用大津算法进行分割，并比较分析分割结果。

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

img1 = cv.imread(r'C:\Users\user\Desktop\pic2.png')#读取图像、
img2 = cv.imread(r'C:\Users\user\Desktop\pic6.png')
gray1 = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)#转换灰度图像
gray2 = cv.cvtColor(img2,cv.COLOR_BGR2GRAY)
hist1 = cv.calcHist([gray1], [0], None, [256], [