OpenCV 是用 C++ 編寫的，并且有數(shù)千種優(yōu)化的算法和函數(shù)用于各種圖像操作。很多現(xiàn)實(shí)生活中的操作都可以使用 OpenCV 來解決。例如視頻和圖像分析、實(shí)時(shí)計(jì)算機(jī)視覺、對(duì)象檢測(cè)、鏡頭分析等。

許多公司、研究人員和開發(fā)人員為 OpenCV 的創(chuàng)建做出了貢獻(xiàn)。使用OpenCV 很簡(jiǎn)單，而且 OpenCV 配備了許多工具和功能。讓我們使用 OpenCV 來執(zhí)行有趣的圖像操作并查看結(jié)果。

形態(tài)變換

形態(tài)變換是基于形狀變換圖像的圖像處理方法。這個(gè)過程有助于區(qū)域形狀的表現(xiàn)和刻畫。這些轉(zhuǎn)換使用應(yīng)用于輸入圖像的結(jié)構(gòu)元素，并生成輸出圖像。

形態(tài)學(xué)操作有多種用途，包括從圖像中去除噪聲、定位圖像中的強(qiáng)度凹凸和孔洞，以及連接圖像中的不同元素。

有兩種主要的形態(tài)學(xué)變換類型：腐蝕和膨脹。

腐蝕

腐蝕是為了減小前景對(duì)象的大小而執(zhí)行的形態(tài)學(xué)操作。異物的邊界被慢慢腐蝕。腐蝕在圖像編輯和轉(zhuǎn)換中有許多應(yīng)用，腐蝕會(huì)縮小圖像像素。對(duì)象邊界上的像素也被刪除。

腐蝕的實(shí)現(xiàn)在 Python 中很簡(jiǎn)單，可以在內(nèi)核的幫助下實(shí)現(xiàn)。

讓我們開始使用 Python 中的代碼來實(shí)現(xiàn)腐蝕。

首先，我們導(dǎo)入 Open CV 和 Numpy。

import cv2
import numpy as np

現(xiàn)在我們讀取圖像。

image = cv2.imread("image1.jpg")

圖片：

我們創(chuàng)建了一個(gè)執(zhí)行腐蝕操作所需的內(nèi)核，并使用內(nèi)置的 OpenCV 函數(shù)實(shí)現(xiàn)它。

# Creating kernel
kernel = np.ones((5, 5), np.uint8)
# Using cv2.erode() method 
image_erode = cv2.erode(image, kernel)

現(xiàn)在，我們保存文件并查看。

filename = 'image_erode1.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_erode)

圖片：

正如我們所看到的，圖像現(xiàn)在被腐蝕了，銳度和邊緣都減少了，圖像變得模糊了。腐蝕可用于隱藏或刪除圖像的某些部分或隱藏圖像中的信息。

讓我們嘗試不同類型的腐蝕。

kernel2 = np.ones((3, 3), np.uint8)
image_erode2 = cv2.erode(image, kernel2, cv2.BORDER_REFLECT)

現(xiàn)在，我們保存圖像文件。

filename = 'image_erode2.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_erode2)

圖片：

現(xiàn)在，讓我們看看什么是膨脹。

膨脹

膨脹過程與腐蝕相反。圖像膨脹時(shí)，前景對(duì)象不是縮小，而是擴(kuò)大。圖像里的東西在邊界附近擴(kuò)張，并形成一個(gè)膨脹的物體。

圖像中的明亮區(qū)域在膨脹后往往會(huì)“發(fā)光”，這通常會(huì)導(dǎo)致圖像增強(qiáng)。因此，膨脹用于圖像校正和增強(qiáng)。

讓我們使用 Python 代碼實(shí)現(xiàn) Dilation。

kernel3 = np.ones((5,5), np.uint8)
image_dilation = cv2.dilate(image, kernel, iterations=1)

現(xiàn)在，我們保存圖像。

filename = 'image_dilation.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_dilation)

圖片：

正如我們所見，圖像現(xiàn)在更亮，強(qiáng)度更高。

創(chuàng)建邊框

為圖像添加邊框非常簡(jiǎn)單，我們的手機(jī)圖庫應(yīng)用程序或編輯應(yīng)用程序可以非?？焖俚赝瓿伞５?，現(xiàn)在讓我們使用 Python 為圖像創(chuàng)建邊框。

## Using cv2.copyMakeBorder() method
image_border1 = cv2.copyMakeBorder(image, 25, 25, 10, 10, cv2.BORDER_CONSTANT, None, value = 0)

現(xiàn)在，讓我們保存圖像。

filename = 'image_border1.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_border1)

圖片：

在這里，我們?yōu)閳D像添加了一個(gè)簡(jiǎn)單的黑色邊框。現(xiàn)在，讓我們嘗試一些鏡像邊框。

#making a mirrored border
image_border2 = cv2.copyMakeBorder(image, 250, 250, 250, 250, cv2.BORDER_REFLECT)

現(xiàn)在，我們保存圖像。

filename = 'image_border2.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_border2)

圖片：

這很有趣，它看起來像是奇異博士的鏡子維度中的東西。

讓我們?cè)囋噭e的。

#making a mirrored border
image_border3 = cv2.copyMakeBorder(image, 300, 250, 100, 50, cv2.BORDER_REFLECT)

現(xiàn)在，我們保存圖像。

filename = 'image_border3.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_border3)

圖片：

強(qiáng)度變換

通常，由于各種原因，圖像會(huì)發(fā)生強(qiáng)度變換。這些是在空間域中直接在圖像像素上完成的。圖像閾值處理和對(duì)比度處理等操作是使用強(qiáng)度轉(zhuǎn)換完成的。

對(duì)數(shù)變換

對(duì)數(shù)變換是一種強(qiáng)度變換操作，其中圖像中的像素值被替換為它們的對(duì)數(shù)值。

對(duì)數(shù)變換用于使圖像變亮或增強(qiáng)圖像，因?yàn)樗鼘D像中較暗的像素?cái)U(kuò)大到較高的像素值。

讓我們實(shí)現(xiàn)對(duì)數(shù)變換。

# 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)

現(xiàn)在，我們保存圖像。

cv2.imwrite('log_transformed.jpg', log_transformed)

圖片：

圖像變得非常明亮。

線性變換

我們將對(duì)圖像應(yīng)用分段線性變換。這種變換也是在空間域上完成的。此方法用于為特定目的修改圖像。它被稱為分段線性變換，因?yàn)樗挥幸徊糠质蔷€性的。最常用的分段線性變換是對(duì)比拉伸。

通常，如果在低光照條件下單擊圖像并且周圍照明不佳，則生成的圖像對(duì)比度較低。對(duì)比度拉伸會(huì)增加圖像中強(qiáng)度級(jí)別的范圍，并且對(duì)比度拉伸函數(shù)會(huì)單調(diào)增加，從而保持像素強(qiáng)度的順序。

現(xiàn)在，讓我們實(shí)現(xiàn)對(duì)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)

圖片：

在這里，圖像得到了改善，并且可以觀察到更高的對(duì)比度。

去噪彩色圖像

去噪信號(hào)或圖像意味著去除不必要的信號(hào)和信息以獲得有用的信號(hào)和信息。去噪以去除不需要的噪聲，并更好地分析和處理圖像。

讓我們用 Python 對(duì)彩色圖像進(jìn)行去噪。

denoised_image = cv2.fastNlMeansDenoisingColored(image, None, 15, 8, 8, 15)

現(xiàn)在，我們保存圖像。

# Save edited image.
cv2.imwrite('denoised_image.jpg', denoised_image)

圖片：

我們可以看到很多想要的東西，比如背景和天空已經(jīng)被刪除了。

使用直方圖分析圖像

在任何形式的分析中，直方圖都是必不可少的視覺效果。圖像的直方圖是理解全局描述的一種令人興奮的方式，直方圖可用于對(duì)圖像進(jìn)行定量分析。圖像直方圖表示圖像中灰度級(jí)的出現(xiàn)。

我們可以使用直方圖來了解數(shù)字圖像的像素強(qiáng)度分布，也可以使用直方圖來了解主色。

讓我們繪制一個(gè)直方圖。

from matplotlib import pyplot as plt
histr = cv2.calcHist([image],[0],None,[256],[0,256])
plt.plot(histr)

輸出：

# alternative way to find histogram of an image
plt.hist(image.ravel(),256,[0,256])
plt.show()

輸出：

該圖顯示了圖像上 0 到 255 顏色范圍內(nèi)的像素?cái)?shù)。我們可以看到，所有類型的顏色都有良好的分布。

現(xiàn)在，讓我們將圖像轉(zhuǎn)換為黑白并生成直方圖。

grey_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
histogram = cv2.calcHist([grey_image], [0], None, [256], [0, 256])
plt.plot(histogram, color='k')

輸出：

這個(gè)分布和之前的分布有很大的不同。這主要是因?yàn)閳D像被轉(zhuǎn)換為灰度，然后進(jìn)行分析。

現(xiàn)在，我們執(zhí)行顏色直方圖。

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()

輸出：