机器学习:opencv图像识别--图片运算、边界、阈值处理、平滑处理

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

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

C#实现将Excel表格转换为图片(JPG/ PNG)

《C#实现将Excel表格转换为图片(JPG/PNG)》Excel表格可能会因为不同设备或字体缺失等问题,导致格式错乱或数据显示异常,转换为图片后,能确保数据的排版等保持一致,下面我们看看如何使用C... 目录通过C# 转换Excel工作表到图片通过C# 转换指定单元格区域到图片知识扩展C# 将 Excel

Java字符串处理全解析(String、StringBuilder与StringBuffer)

《Java字符串处理全解析(String、StringBuilder与StringBuffer)》:本文主要介绍Java字符串处理全解析(String、StringBuilder与StringBu... 目录Java字符串处理全解析:String、StringBuilder与StringBuffer一、St

浅析Java中如何优雅地处理null值

《浅析Java中如何优雅地处理null值》这篇文章主要为大家详细介绍了如何结合Lambda表达式和Optional,让Java更优雅地处理null值,感兴趣的小伙伴可以跟随小编一起学习一下... 目录场景 1:不为 null 则执行场景 2:不为 null 则返回,为 null 则返回特定值或抛出异常场景

JS+HTML实现在线图片水印添加工具

《JS+HTML实现在线图片水印添加工具》在社交媒体和内容创作日益频繁的今天,如何保护原创内容、展示品牌身份成了一个不得不面对的问题,本文将实现一个完全基于HTML+CSS构建的现代化图片水印在线工具... 目录概述功能亮点使用方法技术解析延伸思考运行效果项目源码下载总结概述在社交媒体和内容创作日益频繁的

深入理解Apache Kafka(分布式流处理平台)

《深入理解ApacheKafka(分布式流处理平台)》ApacheKafka作为现代分布式系统中的核心中间件,为构建高吞吐量、低延迟的数据管道提供了强大支持,本文将深入探讨Kafka的核心概念、架构... 目录引言一、Apache Kafka概述1.1 什么是Kafka?1.2 Kafka的核心概念二、Ka

在PyCharm中安装PyTorch、torchvision和OpenCV详解

《在PyCharm中安装PyTorch、torchvision和OpenCV详解》:本文主要介绍在PyCharm中安装PyTorch、torchvision和OpenCV方式,具有很好的参考价值,... 目录PyCharm安装PyTorch、torchvision和OpenCV安装python安装PyTor

使用Node.js制作图片上传服务的详细教程

《使用Node.js制作图片上传服务的详细教程》在现代Web应用开发中,图片上传是一项常见且重要的功能,借助Node.js强大的生态系统,我们可以轻松搭建高效的图片上传服务,本文将深入探讨如何使用No... 目录准备工作搭建 Express 服务器配置 multer 进行图片上传处理图片上传请求完整代码示例

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各