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

Springboot处理跨域的实现方式(附Demo)

《Springboot处理跨域的实现方式(附Demo)》:本文主要介绍Springboot处理跨域的实现方式(附Demo),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录Springboot处理跨域的方式1. 基本知识2. @CrossOrigin3. 全局跨域设置4.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python实现自动化接收与处理手机验证码

《Python实现自动化接收与处理手机验证码》在移动互联网时代,短信验证码已成为身份验证、账号注册等环节的重要安全手段,本文将介绍如何利用Python实现验证码的自动接收,识别与转发,需要的可以参考下... 目录引言一、准备工作1.1 硬件与软件需求1.2 环境配置二、核心功能实现2.1 短信监听与获取2.

Python使用date模块进行日期处理的终极指南

《Python使用date模块进行日期处理的终极指南》在处理与时间相关的数据时,Python的date模块是开发者最趁手的工具之一,本文将用通俗的语言,结合真实案例,带您掌握date模块的六大核心功能... 目录引言一、date模块的核心功能1.1 日期表示1.2 日期计算1.3 日期比较二、六大常用方法详

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具?核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件

Java使用多线程处理未知任务数的方案介绍

《Java使用多线程处理未知任务数的方案介绍》这篇文章主要为大家详细介绍了Java如何使用多线程实现处理未知任务数,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 知道任务个数,你可以定义好线程数规则,生成线程数去跑代码说明:1.虚拟线程池:使用 Executors.newVir

一文带你深入了解Python中的GeneratorExit异常处理

《一文带你深入了解Python中的GeneratorExit异常处理》GeneratorExit是Python内置的异常,当生成器或协程被强制关闭时,Python解释器会向其发送这个异常,下面我们来看... 目录GeneratorExit:协程世界的死亡通知书什么是GeneratorExit实际中的问题案例

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

基于Python开发批量提取Excel图片的小工具

《基于Python开发批量提取Excel图片的小工具》这篇文章主要为大家详细介绍了如何使用Python中的openpyxl库开发一个小工具,可以实现批量提取Excel图片,有需要的小伙伴可以参考一下... 目前有一个需求,就是批量读取当前目录下所有文件夹里的Excel文件,去获取出Excel文件中的图片,并

Java实现数据库图片上传与存储功能

《Java实现数据库图片上传与存储功能》在现代的Web开发中,上传图片并将其存储在数据库中是常见的需求之一,本文将介绍如何通过Java实现图片上传,存储到数据库的完整过程,希望对大家有所帮助... 目录1. 项目结构2. 数据库表设计3. 实现图片上传功能3.1 文件上传控制器3.2 图片上传服务4. 实现