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)

简介: 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)


前言

计算机视觉市场巨大而且持续增长,且这方面没有标准API,如今的计算机视觉软件大概有以下三种:

1、研究代码(慢,不稳定,独立并与其他库不兼容)

2、耗费很高的商业化工具(比如Halcon, MATLAB+Simulink)

3、依赖硬件的一些特别的解决方案(比如视频监控,制造控制系统,医疗设备)这是如今的现状,而标准的API将简化计算机视觉程序和解决方案的开发,OpenCV致力于成为这样的标准API。

OpenCV致力于真实世界的实时应用,通过优化的C代码的编写对其执行速度带来了可观的提升,并且可以通过购买Intel的IPP高性能多媒体函数库(Integrated Performance Primitives)得到更快的处理速度。

故而我们选择学习OpenCV,我们来一步步的学习OpenCV。


环境

在这里我们不仅仅需要cv2的环境,还需要numpy的环境,故而需要我们单独安装一下:

pip install numpy

win的环境与CentOS的有些区别,是库的区别,我本地是华为的库,CentOS是CSDN库,都能用。

灰度图

这里需要引入numpy做计算,也就是kernel的卷积核。

import cv2
import numpy as np
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 卷积核:一般用一个5行5列的全是1的数组
kernel = np.ones((5, 5), np.uint8)
# 生成灰度图
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 展示
cv2.imshow("Gray Image", imgGray)
cv2.waitKey(0)

实际效果:灰度

模糊图片

代码:可以修改模糊的强度,是一个奇数,取值范围建议1~151的奇数,不然就啥也看不清了。

import cv2
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 模糊图
imgBlur = cv2.GaussianBlur(img, (151, 151), 5)
# 展示
cv2.imshow("Gray Image", imgBlur)
cv2.waitKey(0)

模糊效果

GaussianBlur函数

高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。

语法:

dst=GaussianBlur(src,ksize,sigmaX [,dst [,sigmaY [,borderType]]])

参数:

src:图片

ksize:高斯内核大小。 ksize.width和ksize.height可以不同,但它们都必须为正数和奇数,也可以为零,然后根据sigma计算得出。

sigmaX:X方向上的高斯核标准偏差。

sigmaY:Y方向上的高斯核标准差;如果sigmaY为零,则将其设置为等于sigmaX;如果两个sigmas为零,则分别从ksize.width和ksize.height计算得出;为了完全控制结果,而不管将来可能对所有这些语义进行的修改,建议指定所有ksize,sigmaX和sigmaY。

import cv2
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 模糊图
imgBlur = cv2.GaussianBlur(img, (151, 151), 3, 17)
# 展示
cv2.imshow("Gray Image", imgBlur)
cv2.waitKey(0)

添加高斯核标准差效果:

提取边缘

代码:

import cv2
# 获取图片的数组
img = cv2.imread("800_600.jpg")
# 边缘提取
imgCanny = cv2.Canny(img, 150, 200)
# 展示
cv2.imshow("imgCanny", imgCanny)
cv2.waitKey(0)

有些像描边,可以用于扣除祛斑啥的这种单独的点点。

边缘膨胀

代码:

import cv2
import numpy as np
# 获取图片的数组
img = cv2.imread("800_600.jpg")
kernel = np.ones((5, 5), np.uint8)
# 边缘提取
imgCanny = cv2.Canny(img, 150, 200)
# 膨胀边缘
imgDialation = cv2.dilate(imgCanny, kernel, iterations=1)
# 展示
cv2.imshow("imgCanny", imgCanny)
cv2.imshow("imgDialation", imgDialation)
cv2.waitKey(0)

边缘膨胀,也就是强化了边缘。

边缘细化

代码:

import cv2
import numpy as np
# 获取图片的数组
img = cv2.imread("800_600.jpg")
kernel = np.ones((5, 5), np.uint8)
# 边缘提取
imgCanny = cv2.Canny(img, 150, 200)
# 膨胀边缘
imgDialation = cv2.dilate(imgCanny, kernel, iterations=1)
# 边缘细化
imgEroded = cv2.erode(imgDialation, kernel, iterations=1)
# 展示
cv2.imshow("imgCanny", imgCanny)
cv2.imshow("imgDialation", imgDialation)
cv2.imshow("imgEroded", imgEroded)
cv2.waitKey(0)

实际效果:

整体对照

总结

很多参数细节都是需要我们自己来根据实际需求来调整的,包括后期的AI循环也是一个参数一个参数的调整出来的结果,搞这个东西要细心与耐心缺一不可。

相关文章
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.8、threshold阈值0-4效果对照图
OpenCV这么简单为啥不学——1.8、threshold阈值0-4效果对照图
33 0
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.3、图像缩放resize函数
OpenCV这么简单为啥不学——1.3、图像缩放resize函数
39 0
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.13图片冷白皮(美白)处理
OpenCV这么简单为啥不学——1.13图片冷白皮(美白)处理
31 0
|
2月前
|
编解码 算法 自动驾驶
探索OpenCV:图像处理的利器
探索OpenCV:图像处理的利器
28 0
|
2月前
|
监控 算法 Serverless
OpenCV这么简单为啥不学——1.12、使用ssim函数对两张照片进行相似度分析
OpenCV这么简单为啥不学——1.12、使用ssim函数对两张照片进行相似度分析
42 0
|
2月前
|
人工智能 监控 API
OpenCV这么简单为啥不学——1.11、蓝背景证件照替换白色或红色
OpenCV这么简单为啥不学——1.11、蓝背景证件照替换白色或红色
29 0
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.10、addWeighted设置图片透明度
OpenCV这么简单为啥不学——1.10、addWeighted设置图片透明度
26 0
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.9、cvtColor颜色空间转换(全色值效果演示)
OpenCV这么简单为啥不学——1.9、cvtColor颜色空间转换(全色值效果演示)
20 0
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.7、实现OpenCV自带的七种形态学转换操作
OpenCV这么简单为啥不学——1.7、实现OpenCV自带的七种形态学转换操作
31 0
|
2月前
|
监控 API 计算机视觉
OpenCV这么简单为啥不学——1.6、图像旋转与翻转(rotate函数、imutils环境安装、imutils任意角度旋转)
OpenCV这么简单为啥不学——1.6、图像旋转与翻转(rotate函数、imutils环境安装、imutils任意角度旋转)
29 0