Opencv圖像處理方法最全總結(jié)
圖像閾值處理
圖像閾值的處理通過cv2.threshold函數(shù)來進(jìn)行處理，該函數(shù)的具體說明如下所示
ret, dst = cv2.threshold(src, thresh, maxval, type)
src： 輸入圖，只能輸入單通道圖像，通常來說為灰度圖
dst： 輸出圖
thresh： 閾值
maxval： 當(dāng)像素值超過了閾值（或者小于閾值，根據(jù)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(zhuǎn)
cv2.THRESH_TRUNC 大于閾值部分設(shè)為閾值，否則不變
cv2.THRESH_TOZERO 大于閾值部分不改變，否則設(shè)為0
cv2.THRESH_TOZERO_INV THRESH_TOZERO的反轉(zhuǎn)
- 讀取圖像信息并將其轉(zhuǎn)化為灰度圖
import cv2 #opencv讀取的格式是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')
# 轉(zhuǎn)化為灰度圖
img_gray = cv2.cvtColor(img_dog,cv2.COLOR_BGR2GRAY)
img_gray.shape
showimg("dog",img_gray)
- 測(cè)試圖像閾值的處理，并在行內(nèi)繪制經(jīng)過圖像閾值處理之后的圖像信息（彩色圖像進(jìn)行處理）
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]
# 繪制出所需的圖像信息
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()
圖像平滑處理
首先引出圖像平滑處理的概念 -> 讀入（給出）一張含有多個(gè)圖像噪音的圖片。對(duì)圖像進(jìn)行平滑處理可以簡(jiǎn)單的理解為使用濾波去除圖像中噪音的過程
- 讀入并展示含有噪音的經(jīng)典圖像數(shù)據(jù)
img_n = cv2.imread('./res/lenaNoise.png')
showimg('noise',img_n)
濾波可以類比與卷積操作，對(duì)圖像中的像素值進(jìn)行處理
使用均值濾波對(duì)圖像進(jìn)行處理。
cv2.blur(img, (3, 3))
- img輸入圖像
- （3，3）（5，5）處理的區(qū)域大小
# 均值濾波
# 簡(jiǎn)單的平均卷積操作
blur = cv2.blur(img_n, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
從而可以看出明顯的平滑處理的樣式
# 方框?yàn)V波
# 基本和均值一樣，可以選擇歸一化（True進(jìn)行平均 False ）
box = cv2.boxFilter(img_n,-1,(3,3), normalize=False)
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
其他使用較多的方式包括了均值濾波和高斯濾波等一些常規(guī)的方法
# 高斯濾波
# 高斯模糊的卷積核里的數(shù)值是滿足高斯分布，相當(dāng)于更重視中間的
aussian = cv2.GaussianBlur(img_n, (5, 5), 1)
cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
#%%
# 中值濾波
# 相當(dāng)于用中值代替
median = cv2.medianBlur(img_n, 5) # 中值濾波
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()
所有的平滑處理結(jié)果進(jìn)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()
圖像形態(tài)學(xué)操作
圖像的形態(tài)學(xué)操作大多處理的是黑白背景的圖片
圖像的腐蝕操作 ：（即設(shè)置迭代的次數(shù)和操作的大?。?duì)白色的邊緣區(qū)域來進(jìn)行進(jìn)一步的處理。
dige = cv2.imread('./res/dige.png')
cv2.imshow('img', dige)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.erode(dige,kernel,iterations = 2)
- 圖像
- 操作大小
- 迭代次數(shù)
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(dige,kernel,iterations = 2)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
腐蝕操作的一個(gè)逆操作可以看作是一個(gè)膨脹操作。（使得白色的區(qū)域變大）
在執(zhí)行腐蝕完成之后白色的小區(qū)域雖然去掉了，但是線條的大小變小，因此需要使用膨脹操作
cv2.dilate(erosion,kernel,iterations = 1)
- erosion經(jīng)過腐蝕操作之后的圖像。
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()
完成膨脹操作進(jìn)行擴(kuò)充線條的粗細(xì)。
開運(yùn)算與閉運(yùn)算
開運(yùn)算（cv2.MORPH_OPEN）：先腐蝕，再膨脹 閉運(yùn)算（cv2.MORPH_CLOSE）：先膨脹，再腐蝕
本質(zhì)就是一個(gè)綜合進(jìn)行處理的過程信息。cv2.morphologyEx()
# 開：先腐蝕，再膨脹
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()
# 閉：先膨脹，再腐蝕
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()
梯度運(yùn)算
梯度（cv2.MORPH_GRADIENT）=膨脹-腐蝕：簡(jiǎn)單理解是梯度運(yùn)算是用來篩選圖片的邊界區(qū)域的。
- 水平連接經(jīng)過膨脹和腐蝕的兩個(gè)區(qū)域。
res = np.hstack((dilate,erosion))
# 梯度=膨脹-腐蝕
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()
- 執(zhí)行梯度運(yùn)算來進(jìn)行篩選。
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
總結(jié)
到此這篇關(guān)于Opencv圖像處理方法的文章就介紹到這了,更多相關(guān)Opencv圖像處理內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要分享的是python使用技巧查找文件，下面我們就來介紹針對(duì)python查找文件的相關(guān)內(nèi)容，需要的小伙伴可以參考一下2022-02-02
opencv鎖定鼠標(biāo)定位的實(shí)現(xiàn)
本文主要介紹了opencv鎖定鼠標(biāo)定位的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02
本文是結(jié)合前面的三篇關(guān)于python制作爬蟲的基礎(chǔ)文章，給大家分享的一份爬取糗事百科的小段子的源碼，有需要的小伙伴可以參考下2016-09-09
今天小編就為大家分享一篇python 輸出所有大小寫字母的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-01-01
在日常辦公中,我們常常會(huì)被繁瑣、重復(fù)的任務(wù)占據(jù)大量時(shí)間,本文為大家分享了10個(gè)實(shí)用的?Python?自動(dòng)化辦公案例及源碼,希望對(duì)大家有所幫助2025-02-02
python循環(huán)神經(jīng)網(wǎng)絡(luò)RNN函數(shù)tf.nn.dynamic_rnn使用
這篇文章主要為大家介紹了python循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的tf.nn.dynamic_rnn使用示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-05-05
解決NameError:name'pip'is not defined使用pip
使用pip時(shí)遇到NameError:name ‘pip’ is not defined錯(cuò)誤通常是由于在Python環(huán)境內(nèi)直接嘗試運(yùn)行pip命令導(dǎo)致的,正確的做法是在Python外部的命令行中運(yùn)行pip命令,這個(gè)錯(cuò)誤提醒我們?cè)谑褂胮ip時(shí),應(yīng)確保在正確的環(huán)境中執(zhí)行相關(guān)命令2024-10-10
使用selenium+chromedriver+xpath爬取動(dòng)態(tài)加載信息
這篇文章主要介紹了使用selenium+chromedriver+xpath爬取動(dòng)態(tài)加載信息2022-02-02
Python實(shí)現(xiàn)郵件發(fā)送功能的方法詳解
本文將學(xué)會(huì)各種類型的郵件發(fā)送方式，比如普通文本郵件、帶附件的郵件等等，如何通過程序發(fā)送郵件現(xiàn)在我們還不太了解，接下來就會(huì)為大家進(jìn)行詳細(xì)的介紹2022-05-05
解決python中的冪函數(shù)、指數(shù)函數(shù)問題
今天小編就為大家分享一篇解決python中的冪函數(shù)、指數(shù)函數(shù)問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-11-11