Python OpenCV图像操作
woshicver 人气:2介绍
众所周知，OpenCV是一个用于计算机视觉和图像操作的免费开源库。
OpenCV 是用 C++ 编写的，并且有数千种优化的算法和函数用于各种图像操作。很多现实生活中的操作都可以使用 OpenCV 来解决。例如视频和图像分析、实时计算机视觉、对象检测、镜头分析等。
许多公司、研究人员和开发人员为 OpenCV 的创建做出了贡献。使用OpenCV 很简单，而且 OpenCV 配备了许多工具和功能。让我们使用 OpenCV 来执行有趣的图像操作并查看结果。
形态变换
形态变换是基于形状变换图像的图像处理方法。这个过程有助于区域形状的表现和刻画。这些转换使用应用于输入图像的结构元素，并生成输出图像。
形态学操作有多种用途，包括从图像中去除噪声、定位图像中的强度凹凸和孔洞，以及连接图像中的不同元素。
有两种主要的形态学变换类型：腐蚀和膨胀。
腐蚀
腐蚀是为了减小前景对象的大小而执行的形态学操作。异物的边界被慢慢腐蚀。腐蚀在图像编辑和转换中有许多应用，腐蚀会缩小图像像素。对象边界上的像素也被删除。
腐蚀的实现在 Python 中很简单，可以在内核的帮助下实现。
让我们开始使用 Python 中的代码来实现腐蚀。
首先，我们导入 Open CV 和 Numpy。
import cv2 import numpy as np
现在我们读取图像。
image = cv2.imread("image1.jpg")
图片：
我们创建了一个执行腐蚀操作所需的内核，并使用内置的 OpenCV 函数实现它。
# Creating kernel kernel = np.ones((5, 5), np.uint8) # Using cv2.erode() method image_erode = cv2.erode(image, kernel)
现在，我们保存文件并查看。
filename = 'image_erode1.jpg' # Using cv2.imwrite() method # Saving the image cv2.imwrite(filename, image_erode)
图片：
正如我们所看到的，图像现在被腐蚀了，锐度和边缘都减少了，图像变得模糊了。腐蚀可用于隐藏或删除图像的某些部分或隐藏图像中的信息。
让我们尝试不同类型的腐蚀。
kernel2 = np.ones((3, 3), np.uint8) image_erode2 = cv2.erode(image, kernel2, cv2.BORDER_REFLECT)
现在，我们保存图像文件。
filename = 'image_erode2.jpg' # Using cv2.imwrite() method # Saving the image cv2.imwrite(filename, image_erode2)
图片：
现在，让我们看看什么是膨胀。
膨胀
膨胀过程与腐蚀相反。图像膨胀时，前景对象不是缩小，而是扩大。图像里的东西在边界附近扩张，并形成一个膨胀的物体。
图像中的明亮区域在膨胀后往往会“发光”，这通常会导致图像增强。因此，膨胀用于图像校正和增强。
让我们使用 Python 代码实现 Dilation。
kernel3 = np.ones((5,5), np.uint8) image_dilation = cv2.dilate(image, kernel, iterations=1)
现在，我们保存图像。
filename = 'image_dilation.jpg' # Using cv2.imwrite() method # Saving the image cv2.imwrite(filename, image_dilation)
图片：
正如我们所见，图像现在更亮，强度更高。
创建边框
为图像添加边框非常简单，我们的手机图库应用程序或编辑应用程序可以非常快速地完成。但是，现在让我们使用 Python 为图像创建边框。
## Using cv2.copyMakeBorder() method image_border1 = cv2.copyMakeBorder(image, 25, 25, 10, 10, cv2.BORDER_CONSTANT, None, value = 0)
现在，让我们保存图像。
filename = 'image_border1.jpg' # Using cv2.imwrite() method # Saving the image cv2.imwrite(filename, image_border1)
图片：
在这里，我们为图像添加了一个简单的黑色边框。现在，让我们尝试一些镜像边框。
#making a mirrored border image_border2 = cv2.copyMakeBorder(image, 250, 250, 250, 250, cv2.BORDER_REFLECT)
现在，我们保存图像。
filename = 'image_border2.jpg' # Using cv2.imwrite() method # Saving the image cv2.imwrite(filename, image_border2)
图片：
这很有趣，它看起来像是奇异博士的镜子维度中的东西。
让我们试试别的。
#making a mirrored border image_border3 = cv2.copyMakeBorder(image, 300, 250, 100, 50, cv2.BORDER_REFLECT)
现在，我们保存图像。
filename = 'image_border3.jpg' # Using cv2.imwrite() method # Saving the image cv2.imwrite(filename, image_border3)
图片：
强度变换
通常，由于各种原因，图像会发生强度变换。这些是在空间域中直接在图像像素上完成的。图像阈值处理和对比度处理等操作是使用强度转换完成的。
对数变换
对数变换是一种强度变换操作，其中图像中的像素值被替换为它们的对数值。
对数变换用于使图像变亮或增强图像，因为它将图像中较暗的像素扩大到较高的像素值。
让我们实现对数变换。
# Apply log transform. c = 255/(np.log(1 + np.max(image))) log_transformed = c * np.log(1 + image) # Specify the data type. log_transformed = np.array(log_transformed, dtype = np.uint8)
现在，我们保存图像。
cv2.imwrite('log_transformed.jpg', log_transformed)
图片：
图像变得非常明亮。
线性变换
我们将对图像应用分段线性变换。这种变换也是在空间域上完成的。此方法用于为特定目的修改图像。它被称为分段线性变换，因为它只有一部分是线性的。最常用的分段线性变换是对比拉伸。
通常，如果在低光照条件下单击图像并且周围照明不佳，则生成的图像对比度较低。对比度拉伸会增加图像中强度级别的范围，并且对比度拉伸函数会单调增加，从而保持像素强度的顺序。
现在，让我们实现对比度拉伸。
def pixelVal(pix, r1, s1, r2, s2):
if (0 <= pix and pix <= r1):
return (s1 / r1)*pix
elif (r1 < pix and pix <= r2):
return ((s2 - s1)/(r2 - r1)) * (pix - r1) + s1
else:
return ((255 - s2)/(255 - r2)) * (pix - r2) + s2
# Define parameters.
r1 = 70
s1 = 0
r2 = 140
s2 = 255
# Vectorize the function to apply it to each value in the Numpy array.
pixelVal_vec = np.vectorize(pixelVal)
# Apply contrast stretching.
contrast_stretch = pixelVal_vec(image, r1, s1, r2, s2)
# Save edited image.
cv2.imwrite('contrast_stretch.jpg', contrast_stretch)
图片：
在这里，图像得到了改善，并且可以观察到更高的对比度。
去噪彩色图像
去噪信号或图像意味着去除不必要的信号和信息以获得有用的信号和信息。去噪以去除不需要的噪声，并更好地分析和处理图像。
让我们用 Python 对彩色图像进行去噪。
denoised_image = cv2.fastNlMeansDenoisingColored(image, None, 15, 8, 8, 15)
现在，我们保存图像。
# Save edited image.
cv2.imwrite('denoised_image.jpg', denoised_image)
图片：
我们可以看到很多想要的东西，比如背景和天空已经被删除了。
使用直方图分析图像
在任何形式的分析中，直方图都是必不可少的视觉效果。图像的直方图是理解全局描述的一种令人兴奋的方式，直方图可用于对图像进行定量分析。图像直方图表示图像中灰度级的出现。
我们可以使用直方图来了解数字图像的像素强度分布，也可以使用直方图来了解主色。
让我们绘制一个直方图。
from matplotlib import pyplot as plt histr = cv2.calcHist([image],[0],None,[256],[0,256]) plt.plot(histr)
输出：
# alternative way to find histogram of an image plt.hist(image.ravel(),256,[0,256]) plt.show()
输出：
该图显示了图像上 0 到 255 颜色范围内的像素数。我们可以看到，所有类型的颜色都有良好的分布。
现在，让我们将图像转换为黑白并生成直方图。
grey_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) histogram = cv2.calcHist([grey_image], [0], None, [256], [0, 256]) plt.plot(histogram, color='k')
输出：
这个分布和之前的分布有很大的不同。这主要是因为图像被转换为灰度，然后进行分析。
现在，我们执行颜色直方图。
for i, col in enumerate(['b', 'g', 'r']):
hist = cv2.calcHist([image], [i], None, [256], [0, 256])
plt.plot(hist, color = col)
plt.xlim([0, 256])
plt.show()
输出：
我们可以看到蓝色和绿色的像素数量远高于红色。这很明显，因为图像中有很多蓝色和绿色区域。
所以我们可以看到，绘制图像直方图是理解图像强度分布的好方法。
加载全部内容