《计算机视觉技术与应用》-----第四章 图像变换

企业开发 2023-10-01 13:58:36 阅读次数: 0

系列文章目录

《计算机视觉技术与应用》-----第二章 图像处理基础

《计算机视觉技术与应用》-----第三章 图形用户界面

《计算机视觉技术与应用》-----第四章 图像变换

《计算机视觉技术与应用》-----第五章 边缘和轮廓

《计算机视觉技术与应用》-----第六章 边缘和轮廓

《计算机视觉技术与应用》-----第七章 边缘和轮廓

《计算机视觉技术与应用》----- 重点复盘

文章目录

前言

提示：这里可以添加本文要记录的大概内容：

图像变换是指通过技术手段将图像转换为另一幅图像，如色彩空间变换、几何变换、图像模糊、阈值处理和形态变换等。

提示：以下是本篇文章正文内容，下面案例可供参考

一、4.1 色彩空间变换

  1. #test4-1.py 将BGR色彩空间转换为RGB色彩空间
    示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
#test4-1.py 将BGR色彩空间转换为RGB色彩空间
import cv2
img=cv2.imread('bee.jpg')  	            #读取图像
cv2.imshow('BGR',img)  	                #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #转换色彩空间为RGB
cv2.imshow('RGB',img2)  	             #显示图像
cv2.waitKey(0)
  1. #test4-2.py：BGR色彩空间转换为GRAY色彩空间
    在这里插入图片描述
#test4-2.py：BGR色彩空间转换为GRAY色彩空间
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('BGR',img)  	        #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换色彩空间为GRAY
cv2.imshow('GRAY',img2)  	        #显示图像
cv2.waitKey(0)
  1. #test4-3.py：BGR色彩空间转换为YCrCb色彩空间

3.1 YCrCb概念
YCrCb即YUV，主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视。与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽（RGB要求三个独立的视频信号同时传输）。其中“Y”表示明亮度（Luminance或Luma），也就是灰阶值；而“U”和“V” 表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。“色度”则定义了颜色的两个方面─色调与饱和度，分别用Cr和Cb来表示。其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。

3.2应用
在人脸检测中也常常用到YCrCb空间，因为一般的图像都是基于RGB空间的，在RGB空间里人脸的肤色受亮度影响相当大，所以肤色点很难从非肤色点中分离出来，也就是说在此空间经过处理后，肤色点是离散的点，中间嵌有很多非肤色，这为肤色区域标定(人脸标定、眼睛等)带来了难题。如果把RGB转为YCrCb空间的话，可以忽略Y(亮度)的影响，因为该空间受亮度影响很小，肤色会产生很好的类聚。这样就把三维的空间降为二维的CrCb，肤色点会形成一定得形状，如：人脸的话会看到一个人脸的区域，手臂的话会看到一条手臂的形态，对处理模式识别很有好处，根据经验某点的CrCb值满足：133≤Cr≤173，77≤Cb≤127 那么该点被认为是肤色点，其他的就为非肤色点。【参考RGB和YCrCb】

在这里插入图片描述

#test4-3.py：BGR色彩空间转换为YCrCb色彩空间
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('BGR',img)  	        #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2YCrCb) #转换色彩空间为YCrCb
cv2.imshow('YCrCb',img2)  	        #显示图像
cv2.waitKey(0)
  1. #test4-4.py：BGR色彩空间转换为HSV色彩空间
    HSV色彩空间
    色相（H）是色彩的基本属性，就是平常所说的颜色名称，如红色、黄色等
    用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；
    在这里插入图片描述
    饱和度（S）是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100%的数值。
    明度（V），亮度（L），取0-100%。
    在这里插入图片描述
    【参考：HSV色彩空间】
    在这里插入图片描述
#test4-4.py：BGR色彩空间转换为HSV色彩空间
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('BGR',img)  	        #显示图像
img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) #转换色彩空间为HSV
cv2.imshow('HSV',img2)  	        #显示图像
cv2.waitKey(0)

二、4.2 几何变换

几何变换是指对图像执行放大、缩小、旋转等各种操作。

  1. 缩放图像
    在这里插入图片描述
    在这里插入图片描述

在这里插入图片描述

#test4-5.py：缩放图像
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
sc=[1,0.2,0.5,1.5,2]            #设置缩放比例
cv2.imshow('showimg',img)  	#显示图像
while True:                   	    
    key=cv2.waitKey() #delay = 0：持续无限长的时间,delay >0:持续多少毫秒delay <0:等待键盘按键，任何一个按键都会关闭程序 
    if 48<=key<=52: #按键【0】、【1】、【2】、【3】或【4】
        x=y=sc[key-48]  #获得缩放比例
        img2=cv2.resize(img,None,fx=x,fy=y)   #缩放图像 dsize=None 目标图像高度=原始图像*fx
        cv2.imshow('showimg',img2)  	        #显示图像
  1. 翻转
    在这里插入图片描述
#test4-6.py：翻转图像
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('showimg',img)  	#显示图像

img2=cv2.flip(img,0)
cv2.imshow('绕X轴垂直翻转',img2)  #绕X轴垂直翻转
img3=cv2.flip(img,1)
cv2.imshow('绕y轴水平翻转',img3)  #绕y轴水平翻转
img4=cv2.flip(img,-1)
cv2.imshow('水平、垂直翻转',img4)  #水平、垂直翻转
key=cv2.waitKey(0)
  1. 仿射
    3.1 平移
    平移是指将图像沿水平或垂直方向移动一定像素。
    在这里插入图片描述
#test4-7.py：图像向左移动100像素，向下移动50像素
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
m=np.float32([[1,0,100],[0,1,50]])#创建转换矩阵
img2=cv2.warpAffine(img,m,dsize)        #平移图像
cv2.imshow('imgx+100y+50',img2)  	#显示图像
cv2.waitKey(0)

3.2 缩放
缩放矩阵M=[[h,0,0],[0,v,0]
在这里插入图片描述

#test4-8.py：图像缩放
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
m=np.float32([[0.5,0,0],[0,0.5,0]])#创建转换矩阵 缩放矩阵M=[[h,0,0],[0,v,0]
img2=cv2.warpAffine(img,m,dsize)        #执行缩放
cv2.imshow('img0.5x+0.5y',img2)  	#显示图像
cv2.waitKey(0)

3.3 旋转
在这里插入图片描述

#test4-9.py：图像旋转
import cv2
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
m=cv2.getRotationMatrix2D((width/2,height/2), -60, 0.5)#创建转换矩阵 (ceter,angle,scale) angele负数表示顺时针旋转
img2=cv2.warpAffine(img,m,dsize)        #执行旋转
cv2.imshow('imgRotation',img2)  	#显示图像
cv2.waitKey(0)

3.4 三点映射变换
将图像转换为任意的平行四边形
在这里插入图片描述

#test4-10.py：图像的三点映射变换
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
src=np.float32([[0,0],[width-10,0],[0,height-1]])#取原图像中三个点
dst=np.float32([[50,50],[width-100,80],[100,height-100]])#设置三点在目标图像中的坐标
m = cv2.getAffineTransform(src, dst)#创建转换矩阵
img2=cv2.warpAffine(img,m,dsize)        #执行转换
cv2.imshow('imgThreePoint',img2)  	#显示图像
cv2.waitKey(0)

3.4 透视
在这里插入图片描述

#test4-11.py：图像的透视变换
import cv2
import numpy as np
img=cv2.imread('bee.jpg')  	#读取图像
cv2.imshow('img',img)  	        #显示图像
height=img.shape[0]             #获得图像高度
width=img.shape[1]              #获得图像宽度
dsize=(width,height)
src=np.float32([[0,0],[width-10,0],
                [0,height-10],[width-1,height-1]])#取原图像中四个点
dst=np.float32([[50,50],[width-50,80],
                [50,height-100],[width-100,height-10]])#设置四点在目标图像中的坐标
m = cv2.getPerspectiveTransform(src, dst)#创建转换矩阵
img2=cv2.warpPerspective(img,m,dsize)#执行转换
cv2.imshow('imgFourPoint',img2)  	#显示图像
cv2.waitKey(0)

三、4.3 图像模糊

1. 均值滤波
卷积核为3x3
在这里插入图片描述
卷积核为5x5
在这里插入图片描述
卷积核为21x21
在这里插入图片描述

代码如下：

#test4-12.py：均值滤波
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.blur(img,(21,21))		#可调整卷积核大小查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

高斯滤波
在这里插入图片描述

#test4-13.py：高斯滤波
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.GaussianBlur(img,(3,3),0,0)#可调整卷积核大小查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

3.方框滤波
归一化

未归一化

在这里插入图片描述
未归一化时，滤波结果得到的像素值可能会超过允许的最大值，从而被截断为最大值，这时就会得到一副白色图像。（也就是说，未归一化时，滤波结果为像素值之和，可能会超过255，超过截断为255，那就是白色图像）

4.中值滤波
在这里插入图片描述

#test4-15.py：中值滤波
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.medianBlur(img,5)#可调整卷积核大小查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

5. 双边滤波
在这里插入图片描述

#test4-16.py：双边滤波
import numpy as np
import cv2
img=cv2.imread('lena2.jpg')
cv2.imshow('img',img) 
img2=cv2.bilateralFilter(img,50,50,50)#可调整参数查看不同效果
cv2.imshow('imgBlur',img2)
cv2.waitKey(0)

6. 2D卷积
在这里插入图片描述

#test4-17.py：2D卷积
import numpy as np
import cv2
img=cv2.imread('lena2.jpg')
k1=np.array([[3,3,3,3,3],
             [3,9,9,9,3],
             [3,11,12,13,3],
             [3,8,8,8,3],
             [3,3,3,3,3],])/25#自定义卷积核1
k2=np.ones((5,5),np.float32)/25#自定义卷积核2  1填充数组
img2=cv2.filter2D(img,-1,k1)
cv2.imshow('imgK1',img2)
img2=cv2.filter2D(img,-1,k2)
cv2.imshow('imgK2',img2)
cv2.waitKey(0)

7.阈值处理
在这里插入图片描述

#test4-18.py：二值化阈值处理
import cv2
img=cv2.imread('bee.jpg')
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_BINARY)#阈值处理
cv2.imshow('imgTHRESH_BINARY',img2)
cv2.waitKey(0)

9.反二值化阈值处理
在这里插入图片描述

#test4-19.py：反二值化阈值处理
import cv2
img=cv2.imread('bee.jpg')
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_BINARY_INV)#阈值处理
cv2.imshow('imgTHRESH_BINARY_INV',img2)
cv2.waitKey(0)

10. 截断阈值处理
在这里插入图片描述

#test4-20.py：截断阈值处理
import cv2
img=cv2.imread('bee.jpg')
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_TRUNC)#阈值处理
cv2.imshow('imgTHRESH_TRUNC',img2)
cv2.waitKey(0)

11. 超阈值零处理
在这里插入图片描述

#test4-21.py：超阈值零处理
import cv2
img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,100,255,cv2.THRESH_TOZERO_INV)#超阈值0处理
cv2.imshow('imgTHRESH_TOZERO_INV',img2)
cv2.waitKey(0)

12.低阈值零处理
在这里插入图片描述

#test4-22.py：低阈值零处理
import cv2
img=cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
ret,img2=cv2.threshold(img,150,255,cv2.THRESH_TOZERO)#低阈值0处理
cv2.imshow('imgTHRESH_TOZERO',img2)
cv2.waitKey(0)

五、 4.5 形态变换

1.腐蚀
OpenCV-腐蚀cv::erode
在这里插入图片描述

迭代1次
在这里插入图片描述
迭代5次
在这里插入图片描述
通过腐蚀操作，图像的边界被侵蚀，白色区域缩小。

#test4-26.py：腐蚀
import cv2
import numpy as np
img=cv2.imread('zh2.jpg')                   #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.ones((5,5),np.uint8)            #定义5×5核心 
img2 = cv2.erode(img,kernel,iterations = 1) #腐蚀，迭代1次
                                            #InputArray类型的src，输入图像，如Mat类型。
                                            #OutputArray类型的dst，输出图像。
                                            #InputArray类型的kernel，腐蚀操作的内核也就是上面所说的蒙版。为NULL时，默认表示以参考点为中心3*3的核。一般配合函数getStructuringElement使用，该函数可以构造一个指定形状和尺寸的蒙版。
                                            #Point类型的anchor，锚点。默认值（-1，-1），表示位于单位中心，一般不用。
                                            #int类型的iterations，迭代使用的次数，默认值为1。
                                            #int类型的borderType，推断图像外部像素的边界模式，我OpenCV版本的默认值为BORDER_CONSTANT。如果图像边界需要扩展，则不同的模式下所扩展的像素，其生成原则不同。
                                            #const Scalar&类型的borderValue，当边界为常数时的边界值，默认值为morphologyDefaultBorderValue()。
img3 = cv2.erode(img,kernel,iterations = 5) #迭代5次
cv2.imshow('img2_1',img2)                     #迭代1次结果
cv2.imshow('img2_5',img3)                     #迭代5次结果
cv2.waitKey(0)

2.膨胀
在这里插入图片描述

#test4-27.py：膨胀
import cv2
import numpy as np
img=cv2.imread('zh.jpg')                  #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.one((5,5),np.uint8)            #定义5×5核心
img2 = cv2.dilate(img,kernel,iterations = 2) #膨胀，迭代2次
                                             #src：输入的待膨胀图像，图像的通道数可以是任意的，但是图像的数据类型必须是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F之一。
                                            # dst：膨胀后的输出图像，与输入图像src具有相同的尺寸和数据类型。
                                            # kernel：用于膨胀操作的结构元素，可以自己定义，也可以用getStructuringElement()函数生成。
                                            # anchor：中心点在结构元素中的位置，默认参数为结构元素的几何中心点
                                            # iterations：膨胀的次数，默认值为1。
                                            # borderType：像素外推法选择标志，取值范围在表3-5中给出。默认参数为BORDER_DEFAULT，表示不包含边界值倒序填充。
                                            # borderValue：使用边界不变外推法时的边界值。

cv2.imshow('img2',img2)                     #显示转换结果图像
cv2.waitKey(0)

3.开运算
对图像先执行腐蚀操作，再对腐蚀的结果执行膨胀操作
在这里插入图片描述

#test4-28.py：开运算 
#对图像先执行腐蚀操作，再对腐蚀的结果执行膨胀操作
import cv2
import numpy as np
img=cv2.imread('zh2.jpg')                  #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.ones((5,5),np.uint8)            #定义5×5核心

op=cv2.MORPH_OPEN                           #设置形态操作类型

img2 = cv2.morphologyEx(img,op,kernel,iterations=2) #形态操作，迭代2次

cv2.imshow('img2',img2)                     #显示转换结果图像
cv2.waitKey(0)

4.闭运算
#与开运算相反，先对图像执行膨胀操作，再对膨胀的结果执行腐蚀操作
在这里插入图片描述

#test4-29.py：闭运算
#与开运算相反，先对图像执行膨胀操作，再对膨胀的结果执行腐蚀操作
import cv2
import numpy as np
img=cv2.imread('zh.jpg')                  #读取图像
cv2.imshow('img',img)                       #显示原图像
kernel = np.ones((5,5),np.uint8)            #定义5×5核心
op=cv2.MORPH_CLOSE                          #设置形态操作类型
img2 = cv2.morphologyEx(img,op,kernel,iterations=5) #形态操作，迭代5次
cv2.imshow('img2',img2)                     #显示转换结果图像
cv2.waitKey(0)

第4章实验1图像几何变换

请添加图片描述

#实验1 图像几何变换   旋转和缩放
import cv2
img = cv2.imread('clocktower.png')
cv2.imshow('showing',img)

h=img.shape[0]   #读取到原图的高度
w=img.shape[1]   #读取到原图的宽度   img.shape[2] ?  通道
angle = 1        #设置旋转的角度
scale = 1        #设置缩放比例
f = -1           #设置一个变量f=-1，f的作用就是控制缩放比例

while True:
    m = cv2.getRotationMatrix2D((w/2,h/2),-angle,scale+f*0.1)  #创建转换矩阵，以原图中心进行旋转
                                                               #顺时针选择  -angle   
                                                               #缩放比例设置 第一次：1+(-1)*0.1=1-0.1=0.9
                                                               #第二次：
    angle = (angle+10)%360                                    #设置选择角度
    scale = scale+f*0.1                                       #计算下一个缩放比例 <0.1 0.05+0.1=0.15
    if scale<=0.1 or scale >=1:                               #让缩放比例在10%~100%之间，通过变量f实现
        f=f*(-1)                                              # f是为了控制缩放
    img2 = cv2.warpAffine(img,m,(w,h))                        #执行旋转操作
    key = cv2.waitKey(100)                                    #设置0.1s
    if key == 27:
        break
    cv2.imshow('showing',img2)
cv2.destroyWindow()                                            #关闭窗口

实验2:图像形态变换

在这里插入图片描述

#实验2  开运算 先腐蚀再膨胀
import cv2
import numpy as np 
img = cv2.imread('AB.png')
cv2.imshow('img',img)

kernel = np.ones((5,5),np.uint8)  #利用numpy数组里面的ones()函数创建5x5的内核，内核全是1

op = cv2.MORPH_OPEN                       #表示开运算
img2 = cv2.morphologyEx(img,op,kernel,iterations=2)#迭代两次
img3 = cv2.morphologyEx(img,op,kernel,iterations=3)#迭代3次
cv2.imshow('img2_2',img2)
cv2.imshow('img2_3',img3)
cv2.waitKey(0)

习题

1.习题4-1：选择一幅图像，将其分别转换为RGB色彩空间、GRAY色彩空间、YCrCb色彩空间和HSV色彩空间
在这里插入图片描述

#习题4-1.py：选择一幅图像，将其分别转换为RGB色彩空间、GRAY色彩空间、YCrCb色彩空间和HSV色彩空间
import cv2
img=cv2.imread('clocktower.png')  		    #读取图像
#print(img.depth())
cv2.imshow('original',img)  	        	#显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) 	#转换色彩空间为RGB
cv2.imshow('RGB',img2)  	        	    #显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 	#转换色彩空间为GRAY
cv2.imshow('GRAY',img2)  	        	    #显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2YCrCb) 	#转换色彩空间为YCrCb
cv2.imshow('YCrCb',img2)  	        	    #显示图像

img2=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) 	#转换色彩空间为HSV
cv2.imshow('HSV',img2)  	        	    #显示图像
cv2.waitKey(0)

2.习题4-2：选择一幅图像，对其分别执行缩放、旋转、平移、透视等操作
在这里插入图片描述

#习题4-2.py：选择一幅图像，对其分别执行缩放、旋转、平移、透视等操作
import cv2
import numpy as np
img=cv2.imread('clocktower.png')  		#读取图像
cv2.imshow('original',img)  			#显示图像
h=img.shape[0]                          	#获得图像高度
w=img.shape[1]                          	#获得图像宽度

########################################################
#*************************1.缩放************************
########################################################
img2=cv2.resize(img,None,fx=0.3,fy=0.3)   	#缩小为20%
cv2.imshow('resize',img2)  	        	#显示图像
########################################################
#*************************2.旋转************************
########################################################
m=cv2.getRotationMatrix2D((w/2,h/2),90,0.5)	#创建转换矩阵,center=(w/2,h/2)表示旋转中心
                                            #angle=90 逆时针旋转90度，scale=0.5，缩小为50%
img2=cv2.warpAffine(img,m,(w,h))        	#执行旋转 m是旋转矩阵，(w,h)表示旋转后图像的大小
cv2.imshow('Rotation',img2)
########################################################
#*************************3.平移************************
########################################################
m=np.float32([[1,0,100],[0,1,100]])		#创建平移转换矩阵，M=[[1,0,m],[0,1,n]]
                                        #x+100,y+100 向右、向下分别平移100像素
img2=cv2.warpAffine(img,m,(w,h))        	#平移图像
cv2.imshow('offset',img2)  		        #显示图像
########################################################
#*************************4.透视************************
########################################################
src=np.float32([[0,0],[w,0],
                [0,h],[w,h]])	        #取原图像中四个点
                                        #四个点分别对应四边形的四个顶点
dst=np.float32([[50,50],[w-100,50],[50,h-50],
                [w-10,h-10]])	                #设置四点在目标图像中的坐标

m = cv2.getPerspectiveTransform(src, dst)	#创建透视转换矩阵 转换矩阵函数getPerspectiveTransform
img2=cv2.warpPerspective(img,m,(w,h))		#执行转换
cv2.imshow('Perspective',img2)  		#显示图像
cv2.waitKey(0)

3.习题4-3：选择一幅图像，对其分别执行均值滤波、高斯滤波、方框滤波、中值滤波和双边滤波等操作。
在这里插入图片描述

#习题4-3.py：选择一幅图像，对其分别执行均值滤波、高斯滤波、方框滤波、中值滤波和双边滤波等操作。
import cv2
import numpy as np
img=cv2.imread('clocktower.png')                            #读取图像
cv2.imshow('original',img)                       	    #显示原图像
##################################################################
#****************************1.均值滤波***************************
##################################################################
img2=cv2.blur(img,(20,20))                              #均值滤波 ksize=(20,20)卷积核大小是20*20
cv2.imshow('blur',img2)
##################################################################
#****************************2.高斯滤波***************************
##################################################################
img2=cv2.GaussianBlur(img,(5,5),0,0)                    #高斯滤波（计算权重） ksize=(5,5),sigmaxX和sigmaxY均为0按照公式计算
cv2.imshow('GaussianBlur',img2)
##################################################################
#****************************3.方框滤波***************************
##################################################################
img2=cv2.boxFilter(img,-1,(3,3),normalize=False)        #方框滤波（是否归一化）False不进行归一化，像素值之和
cv2.imshow('boxFilter',img2)
##################################################################
#****************************4.中值滤波***************************
##################################################################
img2=cv2.medianBlur(img,21)                             #中值滤波(取中间值) 卷积核为21*21
cv2.imshow('medianBlur',img2)
##################################################################
#****************************5.双边滤波***************************
##################################################################
img2=cv2.bilateralFilter(img,20,100,100)                #双边滤波（考虑到距离和色差）   
                                                        #为了简单起见，可以将两个sigma（sigmaColor和sigmaSpace）值设置为相同的。
                                                        # 如果它们的值比较小（例如小于10），滤波的效果将不太明显；如果它们的值较大
                                                        # （例如大于150），则滤波效果会比较明显，会产卡通效果。
cv2.imshow('bilateralFilter',img2)
##################################################################
#****************************6.2D卷积*****************************
##################################################################
k1=np.array([[3,3,3,3,3],[3,9,9,9,3],[3,11,12,13,3],[3,8,8,8,3],
             [3,3,3,3,3],])/25		                    #自定义卷积核1
k2=np.ones((5,5),np.float32)/25	                        #自定义卷积核2 除以25表示用25领域的平均值作为该点的像素
img2=cv2.filter2D(img,-1,k1)                            #2D卷积
cv2.imshow('filter2D K1',img2)
img2=cv2.filter2D(img,-1,k2)
cv2.imshow('filter2D K2',img2)
cv2.waitKey(0)

5.习题4-5：绘制图4-49所示的图像，对其分别执行腐蚀、膨胀等各种形态变换操作。
在这里插入图片描述

#腐蚀、膨胀、开运算
import cv2
import numpy as np
img = cv2.imread('ball.png')
cv2.imshow('original',img)

kernel = np.ones((5,5),np.uint8)    #定义一个5x5的核心
img2 = cv2.erode(img,kernel,iterations=2) #腐蚀操作
img3 = cv2.dilate(img2,kernel,iterations=2) #膨胀操作
op = cv2.MORPH_OPEN 
img4 = cv2.morphologyEx(img,op,kernel,iterations=2) #开运算
#cv2.imshow('erode',img2)
cv2.imshow('dilate',img3)
cv2.imshow('kaiyunsuan',img4)
cv2.waitKey(0)

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

参考

  1. RGB和YCrCb

猜你喜欢

转载自blog.csdn.net/xiaoren886/article/details/127331992
今日推荐
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
开源日报 | 工业开源项目OGG 1.0；姐姐，你要和我一起配置火狐吗；苹果AI遥遥落后？Fedora 40
开放签电子签章：停止新增，优化体验，前进更进（五一假期前工作）
开源日报 | 中学生开源前端动画引擎；全球首个Llama3 8B中文版开源模型；联想电脑恐出局；Linus讽刺AI炒作
周排行
浏览器对同一域名进行请求的最大并发连接数
React Hook之自定义Hook
【转】MyBatis缓存机制
-Java-泛型
自动化测试常用脚本-发送邮件
LeetCode#859: Buddy Strings
java、Python处理字符串
第二篇の博客
Hadoop伪分布式环境安装
SQL Server进阶（十一）临时表、表变量
每日归档
更多
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)
2024-04-20(6)
2024-04-19(5)
2024-04-18(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022