机器学习：opencv图像识别--图片运算、边界、阈值处理、平滑处理

2024-09-05 01:36
文章标签 学习 opencv 图片 机器 阈值 处理 运算 边界 图像识别 平滑

本文主要是介绍机器学习：opencv图像识别--图片运算、边界、阈值处理、平滑处理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

一、图片运算

1.加法

1.+

2.add

3.加权相加

2.减法

二、图片边界

三、图像阈值处理

四、图像平滑处理

1.生成椒盐噪声

2.滤波器

1.均值滤波

2.方框滤波

3.高斯滤波

4.中值滤波

一、图片运算

1.加法

1.+

  • 直接将图片上每个像素点的值加上给定值或者两张图片的值相加
  • 相加之后超过255的,对256进行取模
import cv2
"""---------------图像运算--------------------"""
# +运算
# +号
# 相加之后超过255的,对256进行取模
a = cv2.imread('suda.jpg')
b = cv2.imread('zrn.jpg')
c = a + 60  # 将a矩阵各值都加上60 超过255的,对256进行取模
cv2.imshow('yuan', a)
cv2.imshow('pic', c)
cv2.waitKey(0)# 两张图片选取部分进行叠加
c = a[50:400, 50:400] + b[50:400, 50:400]  
cv2.imshow('a+b', c)
cv2.waitKey(0)

输出：

  • 左边是原图，右边是加上60的结果

  • 这是两张图片相加的结果

 

2.add

  • 将两张图片相加，使用的图片尺寸需要一样大
  • 相加之后值超过255的，变成255
# add   cv2.add()
# 相加之后超过255的 变成255
a = cv2.imread('suda.jpg')
b = cv2.imread('zrn.jpg')
a = cv2.resize(a, (400, 400))
b = cv2.resize(b, (400, 400))
c = cv2.add(a, b)
cv2.imshow('a+b', c)
cv2.waitKey(0)

输出：

 

3.加权相加

  • y = x1*α + x2*β + γ
  • 赋予图片1图片2不同的权重再进行相加
  • 最后加上偏移量，用来提高图像亮度，为0也行
# 加权运算
# y = x1*α + x2*β + γ
a = cv2.imread('suda.jpg')
b = cv2.imread('zrn.jpg')
a = cv2.resize(a, (400, 400))
b = cv2.resize(b, (400, 400))
c = cv2.addWeighted(a, 0.3, b, 0.7, 10)  # 10:图像的亮度值 ,将添加到加权和上
cv2.imshow("we", c)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

有种重影的感觉

 

2.减法

  • 将两张图片相加，使用的图片尺寸需要一样大
  • 相减之后的值小于0的，变成0
# 减法运算
# subtract  若有负值则变成0
a = cv2.imread('suda.jpg')
b = cv2.imread('zrn.jpg')
a = cv2.resize(a, (400, 400))
b = cv2.resize(b, (400, 400))
c = cv2.subtract(a, b)
cv2.imshow('sub', c)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

有种x光片的感觉

 

二、图片边界

  • 使用copyMakeBorder函数给图像加上边界
  • 给图片加上边界，不同的参数，边界效果就不一样
"""
cv2.copyMakeBorder()是openCV库中的一个函数，用于给图像添加额外的边界
border:边境
它有以下几个参数:
src:要扩充边界的原始图像。
top,bottom,left,right:相应方向上的边框宽度。
borderType:定义要添加边框的类型，它可以是以下的一种:
CV2.BORDER_CONSTANT:添加的边界框像素值为常数(需要额外再给定一个参数)。
CV2.BORDER_REFLECT:添加的边框像素将是边界元素的镜面反射，类似于gfedcba|abcdefgh|hgfedcba。(交界处也复制了)
CV2.BORDER_REFLECT_101 或 CV2.BORDER_DEFAULT:和上面类似，但是有一些细微的不同，类似于gfedcb|abcdefgh|gfedcba (交接处删除了)
CV2.BORDER_REPLICATE:使用最边界的像素值代替，类似于aaaaaaa|bcdefg|hhhhhhhh
CV2.BORDER_WRAP:左右两边替换，cdefgh|abcdefgh|abcdefg
"""import cv2img = cv2.imread('suda.jpg')
ys = cv2.resize(img, dsize=None, fx=0.5, fy=0.5)   # resize 对图片进行缩放
top, bottom, left, right = 50, 50, 50, 50constant = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_CONSTANT, value=(195, 162, 34))  # 在图像四周添加一个常量颜色的边框
reflect = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(ys, top, bottom, left, right, borderType=cv2.BORDER_WRAP)cv2.imshow('suda', ys)
cv2.waitKey(0)
cv2.imshow('CONSTANT', constant)
cv2.waitKey(0)
cv2.imshow('REFLECT', reflect)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imshow('REFLECT 101', reflect101)
cv2.waitKey(0)
cv2.imshow('REPLICATE', replicate)
cv2.waitKey(0)
cv2.imshow('WRAP', wrap)
cv2.waitKey(0)

输出：

原图                     边框             复制交界镜像反射

去交界镜像反射         边界延伸          左右交换

 

三、图像阈值处理

  • 使用threshold方法对图像进行阈值处理
  • 阈值处理一般都是对灰度图进行处理，因为灰度图是单通道图像，利于比较
import cv2
"""
dst = cv2.threshold(src, thresh, maxval, type, dst=None):
返回值: retval, dst
dst代阈值分割结果图像，与原始图像具有相同的大小和类型
src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值
thresh代表要设定的阈值
maxval代表type参数位THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值
type代表闽值分割的类型，具体内容如下表所示:
#           选项             像素值>thresh             其他情况
# CV2.THRESH_BINARY             maxval                 0
# CV2.THRESH_BINARY_INV           0                  maxval
# CV2.THRESH_TRUNC              thresh              当前灰度值
# CV2.THRESH_TOZERO            当前灰度值                0
# CV2.THRESH_TOZERO_INV           0                 当前灰度值
"""img = cv2.imread('suda.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (300, 300))
# img = cv2.imread('suda.jpg')ret, binary = cv2.threshold(img, 175, 255, cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(img, 175, 255, cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(img, 175, 255, cv2.THRESH_TRUNC)
ret3, tozeo = cv2.threshold(img, 175, 255, cv2.THRESH_TOZERO)
ret4, tozeoinv = cv2.threshold(img, 175, 255, cv2.THRESH_TOZERO_INV)cv2.imshow('original', img)
cv2.waitKey(0)
cv2.imshow('binary', binary)
cv2.waitKey(0)
cv2.imshow('binaryinv', binaryinv)
cv2.waitKey(0)
cv2.imshow('trunc', trunc)
cv2.waitKey(0)
cv2.imshow('tozeo', tozeo)
cv2.waitKey(0)
cv2.imshow('tozeoinv', tozeoinv)
cv2.waitKey(0)

输出：

 

四、图像平滑处理

  • 去除杂质，减少噪声

1.生成椒盐噪声

import cv2
import numpy as npdef add_peppersalt_noise(image, n=10000):result = image.copy()  # 创建输入图像的副本 result，以避免直接修改原始图像h, w = image.shape[:2]for i in range(n):  # 生成n个椒盐噪声x = np.random.randint(1, h)y = np.random.randint(1, w)if np.random.randint(0, 2) == 0:result[x, y] = 0  # 随机使图像某个点变成黑色else:result[x, y] = 255  # 随机使图像某个点变成白色return resultimg = cv2.imread('suda.jpg')
img = cv2.resize(img, (300, 300))
cv2.imshow('suda', img)
cv2.waitKey(0)
noise = add_peppersalt_noise(img)
cv2.imshow('noise', noise)
cv2.waitKey(0)

输出：

左边原图，右边是生成椒盐噪声之后的图片

 

2.滤波器

1.均值滤波

  • cv2.blur
  • 通过计算每个像素周围邻域的均值来平滑图像。适用于去除小的随机噪声。
  • 卷积核就是选取像素周围的大小，3*3，5*5个像素当做周围邻域
"""
均值滤波 blur
dst = cv2.blur(src, ksize, dst=None, anchor=None, borderType=None):ksize: 模糊核的大小，通常是一个奇数（如 3, 5, 7 等）。它决定了模糊效果的强度和范围
"""
blur_1 = cv2.blur(noise, (3, 3))  # 卷积核为3,3  效果一般，清晰度一般
cv2.imshow('blur_1', blur_1)
cv2.waitKey(0)blur_2 = cv2.blur(noise, (5, 5))  # 卷积核为5,5  效果一般，清晰度一般
cv2.imshow('blur_2', blur_2)
cv2.waitKey(0)

输出：

效果一般

 

2.方框滤波

  • cv2.boxFilter
  • 是指用当前像素点周围nxn个像素值的和来代替当前像素值。
  • 所以一般比较亮
"""
方框滤波  
周围数字的和确定中间数值  大于255 使用255  这样图片容易泛白
dst=cv2.boxFilter (src,ddepth,ksize,anchor,normalize,borderType)
"""
boxFilter_1 = cv2.boxFilter(noise, -1, (3, 3), normalize=True)  # normalize=True时 效果跟均值滤波一致
cv2.imshow('box_1', boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise, -1, (3, 3), normalize=False)
cv2.imshow('box_2', boxFilter_2)
cv2.waitKey(0)

输出：

亮闪闪

 

3.高斯滤波

  • cv2.GaussianBlur
  • 使用高斯函数对像素进行加权平均。能有效减少高斯噪声，并平滑图像。
"""
高斯滤波 
加权平均 
dst = cv2.GaussianBlur(src,ksize,sigmax,sigmay,dst)
"""
gs = cv2.GaussianBlur(noise, (3, 3), 1)  # sigmaX为1 标准差为1 标准正态分布
cv2.imshow('gaussianblur', gs)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

感觉好像没什么用

 

4.中值滤波

  • cv2.medianBlur
  • 取邻域像素的中值代替中心像素。有效去除椒盐噪声，同时保留边缘信息。
"""
中值滤波
取周围像素值,从大到小排列,取中值
dst = cv2.medianBlur(src,ksize,dst)中值滤波
"""
med = cv2.medianBlur(noise, 5)
cv2.imshow('med', med)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

有种主体如奶油般化开的感觉

这篇关于机器学习：opencv图像识别--图片运算、边界、阈值处理、平滑处理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1137597。

相关文章

HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...
Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题：墙体两侧特征混淆误匹配，导致建图和定位偏差，表现为过门跳变、外月台走歪等 ·解决思路：预期的根治方案IGICP需要较长时间完成上线，先使用切分地图的工程化方案，即墙体两侧切分为不同地图，在某一侧只使用该侧地图进行定位 方案思路 切分原理：切分地图基于关键帧位置，而非点云。 理论基础：光照是直线的，一帧点云必定只能照射到墙的一侧，无法同时照到两侧实践考虑：关
阅读更多...
【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【课程链接】 AntV G6：深入图形与图形分组、自定义节点、节点动画（下）_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中，应该怎样去计算和绘制图形，如何给一个图形制作不间断的动画，以及在鼠标事件之后产生动画。（有点难，需要好好理解） <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06
阅读更多...
学习hash总结

学习hash总结

2014/1/29/   最近刚开始学hash，名字很陌生，但是hash的思想却很熟悉，以前早就做过此类的题，但是不知道这就是hash思想而已，说白了hash就是一个映射，往往灵活利用数组的下标来实现算法，hash的作用：1、判重；2、统计次数；
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯，先赞后看哦~🎈🎈 🏆 作者简介：景天科技苑 🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。 🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi
阅读更多...
零基础学习Redis(10) -- zset类型命令使用

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合，内部除了存储元素外，还会存储一个score，存储在zset中的元素会按照score的大小升序排列，不同元素的score可以重复，score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
uva 575 Skew Binary（位运算）

uva 575 Skew Binary（位运算）

求第一个以（2^(k+1)-1)为进制的数。 数据不大，可以直接搞。 代码： #include <stdio.h>#include <string.h>const int maxn = 100 + 5;int main(){char num[maxn];while (scanf("%s", num) == 1){if (num[0] == '0')break;int len =
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2