電腦視覺系列-影像基本操作（6）

  • 2021 年 1 月 29 日
  • AI

  • 灰度圖

      在數字攝影、電腦生成的影像和色度學中，灰度或影像是指每個像素的值是一個僅代表一個度量的樣本，只攜帶強度資訊。灰度影像是一種黑白或灰色單色影像，只由灰度的陰影組成。對比度範圍從強度最弱的黑色到強度最強的白色。

Python">import cv2 #opencv讀取的格式是BGRimport numpy as np import matplotlib.pyplot as plt#Matplotlib是RGB%matplotlib inline 
img=cv2.imread('cat.jpg')img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_gray.shape

opencv讀取圖片的默認像素排列是BGR

cv2.imshow("img_gray", img_gray)cv2.waitKey(0)    cv2.destroyAllWindows()

運行結果如下：

  • HSV

H – 色調（主波長）。

S – 飽和度（純度/顏色的陰影）。

V值（強度）

    HSL（hue，saturation，lightness）和HSV（hue，saturation，value，也稱為HSB或hue，saturation，brightness）是RGB顏色模型的替代表示形式，由電腦圖形學研究人員在20世紀70年代設計，旨在更緊密地與人類視覺感知顏色屬性的方式保持一致。在這些模型中，每個色調的顏色都排列在一個徑向切片中，圍繞中心軸從底部的黑色到頂部的白色。

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)cv2.waitKey(0)    cv2.destroyAllWindows()

運行結果如下：

  • 影像閾值

ret, dst = cv2.threshold(src, thresh, maxval, type) 

src：輸入圖，只能輸入單通道影像，通常來說為灰度圖

dst：輸出圖

thresh：閾值

maxval：當像素值超過了閾值（或者小於閾值，根據type來決定），所賦予的值

type：二值化操作的類型，包含以下5種類型：cv2.THRESH_BINARY；cv2.THRESH_BINARY_INV；cv2.THRESH_TRUNC；cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

cv2.THRESH_BINARY 超過閾值部分取maxval（最大值），否則取0

cv2.THRESH_BINARY_INV THRESH_BINARY的反轉

cv2.THRESH_TRUNC 大於閾值部分設為閾值，否則不變

cv2.THRESH_TOZERO 大於閾值部分不改變，否則設為0

cv2.THRESH_TOZERO_INV THRESH_TOZERO的反轉

Javascript">ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')    plt.title(titles[i])    plt.xticks([]), plt.yticks([])plt.show()

運行結果如下：

 

  • 影像平滑

影像平滑通常用於減少影像中的雜訊或生成像素較少的影像。大多數平滑方法都基於低通濾波器。平滑通常也基於表示影像的單個值，例如影像的平均值或中間值。

img = cv2.imread('lenaNoise.png')
cv2.imshow('img', img)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果如下：

# 均值濾波# 簡單的平均卷積操作blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果：

# 方框濾波# 基本和均值一樣，可以選擇歸一化box = cv2.boxFilter(img,-1,(3,3), normalize=True)  
cv2.imshow('box', box)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果：

# 方框濾波# 基本和均值一樣，可以選擇歸一化,容易越界box = cv2.boxFilter(img,-1,(3,3), normalize=False)  
cv2.imshow('box', box)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果如下：

# 高斯濾波# 高斯模糊的卷積核里的數值是滿足高斯分布，相當於更重視中間的aussian = cv2.GaussianBlur(img, (5, 5), 1)  
cv2.imshow('aussian', aussian)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果如下：

# 中值濾波# 相當於用中值代替median = cv2.medianBlur(img, 5)  # 中值濾波
cv2.imshow('median', median)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果如下：

# 展示所有的res = np.hstack((blur,aussian,median))#print (res)cv2.imshow('median vs average', res)cv2.waitKey(0)cv2.destroyAllWindows()

運行結果如下：

VirMach 便宜 VPS

QNews

QNews