OpenCV高级图像处理学习笔记

简介: OpenCV高级图像处理学习笔记

4.1 混合两张图像

#Import required packages
import cv2
#Read image 1
img1=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Read image 2
img2=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat2.jpg")
#Define alpha and beta
alpha=0.30
beta=0.70
#Blend images
final_image=cv2.addWeighted(img1,alpha,img2,beta,0.0)
#show image
cv2.imshow('mix',final_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

将两张猫咪的图片混合了起来。

4.2 改变图像的对比度和亮度

#Import required packages
import cv2
import numpy as np
#Read images
image=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Create a dummy image that stores different contrast and brightness
new_image=np.zeros(image.shape,image.dtype)
#Brightness and contrast parameters
contrast=3.0
bright=2
#Change the contrast and brightness  
for y in range(image.shape[0]):
    for x in range(image.shape[1]):
        for c in range(image.shape[2]):
            new_image[y,x,c]=np.clip(contrast*image[y,x,c]+bright,0,255)
cv2.namedWindow('original', cv2.WINDOW_NORMAL)
cv2.imshow('original',image)
cv2.namedWindow('transform', cv2.WINDOW_NORMAL)
cv2.imshow('transform',new_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.3 往图像中添加文字

cv2模块中的cv2.putText()函数可以往图像中添加文字。

#import required packages
import cv2
#Read image
image=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Define font
font=cv2.FONT_HERSHEY_SIMPLEX
#Write on the image
cv2.putText(image,"I am a Cat",(230,50),font,0.8,(0,255,0),2,cv2.LINE_AA)
cv2.namedWindow('AddText', cv2.WINDOW_NORMAL)
cv2.imshow('AddText',image)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.4 平滑图像

三种用于平滑图像的滤波器

  • 中值滤波器
  • 高斯滤波器
  • 双边滤波器

4.4.1 中值滤波器

cv2.medianBlur()函数能够实现中值模糊的效果。

4.4.2 高斯滤波器

cv2.GaussianBlur()函数应用于高斯滤波器。

4.4.3 双边滤波器

cv2.bilateralFilter()函数

#Import required packages
import cv2
#Read images for different blurring purposes
image_Original=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
image_MedianBlur=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
image_GaussianBlur=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
image_BilateralBlur=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Blur images
image_MedianBlur=cv2.medianBlur(image_MedianBlur,9)
image_GaussianBlur=cv2.GaussianBlur(image_GaussianBlur,(9,9),10)
image_BilateralBlur=cv2.bilateralFilter(image_BilateralBlur,9,100,75)
#show images
cv2.namedWindow('image_MedianBlur', cv2.WINDOW_NORMAL)
cv2.imshow('image_MedianBlur',image_MedianBlur)
cv2.namedWindow('image_GaussianBlur', cv2.WINDOW_NORMAL)
cv2.imshow('image_GaussianBlur',image_GaussianBlur)
cv2.namedWindow('image_BilateralBlur', cv2.WINDOW_NORMAL)
cv2.imshow('image_BilateralBlur',image_BilateralBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.5 改变图像的形状

两种改变图像的操作:侵蚀(erosion)和扩张(dilation)。扩张操作导致物体边界的像素增加,侵蚀操作导致物体边界的像素减少。

cv2.getStructuringElement()函数用于定义核,作为侵蚀或扩张函数的参数。

# EROSION CODE:
#Import package
import cv2
#Read image
image=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Define erosion size
s1=0
s2=10
s3=10
#Define erosion type
t1=cv2.MORPH_RECT
t2=cv2.MORPH_CROSS
t3=cv2.MORPH_ELLIPSE
#Define and save the erosion template
tmp1=cv2.getStructuringElement(t1,(2*s1+1,2*s1+1),(s1,s1))
tmp2=cv2.getStructuringElement(t2,(2*s2+1,2*s2+1),(s2,s2))
tmp3=cv2.getStructuringElement(t3,(2*s3+1,2*s3+1),(s3,s3))
#Apply the erosion template to the image and save in different variables
final1=cv2.erode(image,tmp1)
final2=cv2.erode(image,tmp2)
final3=cv2.erode(image,tmp3)
#Show all the images with different erosions
cv2.namedWindow('final1', cv2.WINDOW_NORMAL)
cv2.imshow('final1',final1)
cv2.namedWindow('final2', cv2.WINDOW_NORMAL)
cv2.imshow('final2',final2)
cv2.namedWindow('final3', cv2.WINDOW_NORMAL)
cv2.imshow('final3',final3)
cv2.waitKey(0)
cv2.destroyAllWindows()

# DILATION CODE:
#Import package
import cv2
#Read image
image=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Define erosion size
d1=0
d2=10
d3=20
#Define erosion type
t1=cv2.MORPH_RECT
t2=cv2.MORPH_CROSS
t3=cv2.MORPH_ELLIPSE
#Define and save the erosion template
tmp1=cv2.getStructuringElement(t1,(2*d1+1,2*d1+1),(d1,d1))
tmp2=cv2.getStructuringElement(t2,(2*d2+1,2*d2+1),(d2,d2))
tmp3=cv2.getStructuringElement(t3,(2*d3+1,2*d3+1),(d3,d3))
#Apply the erosion template to the image and save in different variables
final1=cv2.dilate(image,tmp1)
final2=cv2.dilate(image,tmp2)
final3=cv2.dilate(image,tmp3)
#Show all the images with different erosions
cv2.namedWindow('final1', cv2.WINDOW_NORMAL)
cv2.imshow('final1',final1)
cv2.namedWindow('final2', cv2.WINDOW_NORMAL)
cv2.imshow('final2',final2)
cv2.namedWindow('final3', cv2.WINDOW_NORMAL)
cv2.imshow('final3',final3)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.6 实现图像阈值化

首先需要将图像转换成灰度格式,然后转换成二值格式——只有黑色与白色的图像。

提供一个参考值,然后将所有值大于或小于它的像素都转换成黑色或白色。

使用cv2.threshold()函数做图像阈限化。

#Import packages
import cv2
#Read image
image=cv2.imread("C:\\Users\\mac\\Pictures\\measure\\cat1.jpg")
#Define threshold types
'''
0 - Binary
1 - Binary Inverted
2 - Truncated
3 - Threshold To Zero
4 - Threshold To Zero Inverted
'''
#Apply different threshold and save in different variables
_, img1=cv2.threshold(image,50,255,0)
_, img2=cv2.threshold(image,50,255,1)
_, img3=cv2.threshold(image,50,255,2)
_, img4=cv2.threshold(image,50,255,3)
_, img5=cv2.threshold(image,50,255,4)
#Show the different threshold images
cv2.namedWindow('img1', cv2.WINDOW_NORMAL)
cv2.imshow('img1',img1)
cv2.namedWindow('img2', cv2.WINDOW_NORMAL)
cv2.imshow('img2',img2)
cv2.namedWindow('img3', cv2.WINDOW_NORMAL)
cv2.imshow('img3',img3)
cv2.namedWindow('img4', cv2.WINDOW_NORMAL)
cv2.imshow('img4',img4)
cv2.namedWindow('img5', cv2.WINDOW_NORMAL)
cv2.imshow('img5',img5)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.7 计算梯度

在本节中,将介绍如何使用索伯导数(Sobel derivative)做边缘检测。边有两种方向:垂直方向和水平方向。。针对这种算法,我们强调只有空间频率非常高的区域才能算作边。一个区域的空间频率是指这个区域内的细节丰富程度。

在下面的代码中,我们用高斯模糊去除噪声,然后将图像转换成灰度图。我们使用cv2.cvtColor()函数将图像转换成灰度图。skimage模块里的函数也能达到同样的效果。最后,我们将灰度图输出到cv2.Sobel()函数。

相关文章
|
15天前
|
人工智能 Linux API
OpenCV这么简单为啥不学——1.1、图像处理(灰度图、模糊图片、GaussianBlur函数、提取边缘、边缘膨胀、边缘细化)
OpenCV这么简单为啥不学——1.1、图像处理(灰度图、模糊图片、GaussianBlur函数、提取边缘、边缘膨胀、边缘细化)
25 0
|
28天前
|
openCL 开发工具 C语言
OpenCV 图像处理学习手册:6~7
OpenCV 图像处理学习手册:6~7
58 0
|
28天前
|
存储 编解码 算法
OpenCV 图像处理学习手册:1~5
OpenCV 图像处理学习手册:1~5
17 0
|
2月前
|
机器学习/深度学习 并行计算 算法
OpenCV简介、导入及图像处理基础方法讲解(图文解释 附源码)
OpenCV简介、导入及图像处理基础方法讲解(图文解释 附源码)
30 0
|
2月前
|
缓存 算法 计算机视觉
OpenCV图像处理-视频分割静态背景-MOG/MOG2/GMG
1.概念介绍 视频背景扣除原理:视频是一组连续的帧(一幅幅图组成),帧与帧之间关系密切(GOP/group of picture),在GOP中,背景几乎是不变的,变的永远是前景。
51 0
|
2月前
|
算法 计算机视觉
OpenCV图像处理-图像分割-MeanShift
1. 基本概念 MeanShift严格说来并不是用来对图像进行分割的,而是在色彩层面的平滑滤波。它会中和色彩分布相近的颜色,平滑色彩细节,侵蚀掉面积较小的的颜色区域,它以图像上任意一点P为圆心,半径为sp,色彩幅值为sr进行不断地迭代。
44 0
|
2月前
|
算法 计算机视觉
OpenCV4图像处理-图像交互式分割-GrabCut
1.理论介绍 用户指定前景的大体区域,剩下为背景区域,还可以明确指出某些地方为前景或者背景,GrabCut算法采用分段迭代的方法分析前景物体形成模型树,最后根据权重决定某个像素是前景还是背景。
15 0
|
2月前
|
计算机视觉 Python
OpenCV图像处理-图片拼接(Python)
1. 图片拼接原理 对于图像拼接主要分为两部分:1.特征点匹配,确定两幅图之间的位置关系;2.把所有图像投影变换到同一坐标系,并完成对接与融合。
68 0
|
2月前
|
算法 计算机视觉
OpenCV(图像处理)-图片搜索
1.知识介绍 Opencv进行图片搜索需要的知识有:特征点匹配+单应性矩阵知识,特征点匹配作者前面文章有记录。 单应性矩阵:两个不同视角上的点所对应的单应性矩阵可以用同一个射影变换来表述可以简单理解为变换矩阵H,x1 = h*x2
51 0
|
2月前
|
算法 计算机视觉
OpenCV(图像处理)-基于Python-特征检测-特征点匹配
1.图像特征 图像特征就是指有意义的图像区域,具有独特性,易于识别性,比如角点、斑点以及高密度区。而为什么角点具有重要的特征呢? 看下图:
84 0

相关产品