手机社区网站模板,oa系统登录网址,做网站设像素,网络服务主要包括什么Opencv图像处理
图像阈值处理
图像阈值的处理通过cv2.threshold函数来进行处理#xff0c;该函数的具体说明如下所示
ret, dst cv2.threshold(src, thresh, maxval, type) src#xff1a; 输入图#xff0c;只能输入单通道图像#xff0c;通常来说为灰度图 dst#x…Opencv图像处理
图像阈值处理
图像阈值的处理通过cv2.threshold函数来进行处理该函数的具体说明如下所示
ret, dst cv2.threshold(src, thresh, maxval, type) src 输入图只能输入单通道图像通常来说为灰度图 dst 输出图 thresh 阈值 maxval 当像素值超过了阈值或者小于阈值根据type来决定所赋予的值 type二值化操作的类型包含以下5种类型 cv2.THRESH_BINARY cv2.THRESH_BINARY_INV cv2.THRESH_TRUNC cv2.THRESH_TOZEROcv2.THRESH_TOZERO_INV cv2.THRESH_BINARY 超过阈值部分取maxval最大值否则取0 cv2.THRESH_BINARY_INV THRESH_BINARY的反转 cv2.THRESH_TRUNC 大于阈值部分设为阈值否则不变 cv2.THRESH_TOZERO 大于阈值部分不改变否则设为0 cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转 读取图像信息并将其转化为灰度图
import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline
def showimg(name,img):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()
img_dog cv2.imread(./res/dog.jpg)
# 转化为灰度图
img_gray cv2.cvtColor(img_dog,cv2.COLOR_BGR2GRAY)
img_gray.shape
showimg(dog,img_gray)测试图像阈值的处理并在行内绘制经过图像阈值处理之后的图像信息彩色图像进行处理
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_dog, thresh1, thresh2, thresh3, thresh4, thresh5]
# 绘制出所需的图像信息
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()图像平滑处理
首先引出图像平滑处理的概念 - 读入给出一张含有多个图像噪音的图片。对图像进行平滑处理可以简单的理解为使用滤波去除图像中噪音的过程
读入并展示含有噪音的经典图像数据
img_n cv2.imread(./res/lenaNoise.png)
showimg(noise,img_n)滤波可以类比与卷积操作对图像中的像素值进行处理 使用均值滤波对图像进行处理。 cv2.blur(img, (3, 3))
img输入图像3355处理的区域大小
# 均值滤波
# 简单的平均卷积操作
blur cv2.blur(img_n, (3, 3))cv2.imshow(blur, blur)
cv2.waitKey(0)
cv2.destroyAllWindows()从而可以看出明显的平滑处理的样式 # 方框滤波
# 基本和均值一样可以选择归一化True进行平均 False
box cv2.boxFilter(img_n,-1,(3,3), normalizeFalse) cv2.imshow(box, box)
cv2.waitKey(0)
cv2.destroyAllWindows()其他使用较多的方式包括了均值滤波和高斯滤波等一些常规的方法
# 高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布相当于更重视中间的
aussian cv2.GaussianBlur(img_n, (5, 5), 1) cv2.imshow(aussian, aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
#%%
# 中值滤波
# 相当于用中值代替
median cv2.medianBlur(img_n, 5) # 中值滤波cv2.imshow(median, median)
cv2.waitKey(0)
cv2.destroyAllWindows()所有的平滑处理结果进行展示
# 展示所有的
res np.hstack((blur,aussian,median))
#print (res)
cv2.imshow(median vs average, res)
cv2.waitKey(0)
cv2.destroyAllWindows()图像形态学操作
图像的形态学操作大多处理的是黑白背景的图片
图像的腐蚀操作 即设置迭代的次数和操作的大小对白色的边缘区域来进行进一步的处理。 dige cv2.imread(./res/dige.png)cv2.imshow(img, dige)
cv2.waitKey(0)
cv2.destroyAllWindows()cv2.erode(dige,kernel,iterations 2)
图像操作大小迭代次数
kernel np.ones((3,3),np.uint8)
erosion cv2.erode(dige,kernel,iterations 2)cv2.imshow(erosion, erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()腐蚀操作的一个逆操作可以看作是一个膨胀操作。使得白色的区域变大 在执行腐蚀完成之后白色的小区域虽然去掉了但是线条的大小变小因此需要使用膨胀操作 cv2.dilate(erosion,kernel,iterations 1)
erosion经过腐蚀操作之后的图像。
kernel np.ones((3,3),np.uint8)
dige_dilate cv2.dilate(erosion,kernel,iterations 1)cv2.imshow(dilate, dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()完成膨胀操作进行扩充线条的粗细。
开运算与闭运算
开运算cv2.MORPH_OPEN先腐蚀再膨胀 闭运算cv2.MORPH_CLOSE先膨胀再腐蚀 本质就是一个综合进行处理的过程信息。cv2.morphologyEx() # 开先腐蚀再膨胀
img cv2.imread(dige.png)kernel np.ones((5,5),np.uint8)
opening cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)cv2.imshow(opening, opening)
cv2.waitKey(0)
cv2.destroyAllWindows()# 闭先膨胀再腐蚀
img cv2.imread(dige.png)kernel np.ones((5,5),np.uint8)
closing cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)cv2.imshow(closing, closing)
cv2.waitKey(0)
cv2.destroyAllWindows()梯度运算
梯度cv2.MORPH_GRADIENT膨胀-腐蚀简单理解是梯度运算是用来筛选图片的边界区域的。
水平连接经过膨胀和腐蚀的两个区域。 res np.hstack((dilate,erosion))
# 梯度膨胀-腐蚀
pie cv2.imread(./res/pie.png)
kernel np.ones((7,7),np.uint8)
dilate cv2.dilate(pie,kernel,iterations 5)
erosion cv2.erode(pie,kernel,iterations 5)res np.hstack((dilate,erosion))cv2.imshow(res, res)
cv2.waitKey(0)
cv2.destroyAllWindows()执行梯度运算来进行筛选。
gradient cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)cv2.imshow(gradient, gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
