opencv圖像處理(深度學(xué)習(xí)中常用的)

改變色彩空間: cv.cvtColor()

cv.cvtColor(img, flag)

• img:原圖像
• flag:要改變的類型

常用的flag有：cv.COLOR_BGR2GRAY (BGR->GRAY)、cv.COLOR_BGR2HSV

img = cv.imread(r'E:\0_postgraduate\test.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('img', img)
cv.imshow('img_gray', gray)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
    cv.destroyAllWindows()

我們可以看看flag都有哪些：

flags = [i for i in dir(cv) if i.startswith('COLOR_')]
print( flags )

改變圖像大小：cv.resize()

cv.resize(img, (width, height))

• img:原始圖像
• width：縮放后圖像的寬度
• height：縮放后圖像的高度

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_resize = cv.resize(img, (500, 600))
cv.imshow('img shape: {} x {}'.format(img.shape[1], img.shape[0]), img)
cv.imshow('img_resize shape: {} x {}'.format(img_resize.shape[1], img_resize.shape[0]), img_resize)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
    cv.destroyAllWindows()

比如某些網(wǎng)絡(luò)要求輸入的圖像必須是固定大小的：256 x 256這么大的，這時就可以用cv.resize()對大小不一的圖像進(jìn)行縮放。

二維卷積操作

cv.filter2D()+軌跡條動態(tài)控制圖像參數(shù)：cv.createTrackbar()、cv.getTrackbarPos()

卷積操作是什么這里就不再介紹了。

cv.filter2D(img, -1, kernel)

• img:原始圖像
• -1:這個參數(shù)應(yīng)該是輸出圖像，沒什么用，填-1就行
• kernel:卷積核，一個二維數(shù)組

而至于cv.createTrackbar()、cv.getTrackbarPos()，這兩個函數(shù)可以很方便的動態(tài)調(diào)節(jié)圖像的參數(shù)，很直觀地看到調(diào)節(jié)的效果：

cv.createTrackbar()

第一個參數(shù)是軌跡欄名稱

第二個參數(shù)是它所屬的窗口名稱，

第三個參數(shù)是默認(rèn)值，

第四個參數(shù)是最大值，

第五個參數(shù)是執(zhí)行的回調(diào)函數(shù)每次軌跡欄值都會發(fā)生變化，即每次滑動軌跡條時都會調(diào)用該參數(shù)。

cv.getTrackbarPos()

第一個參數(shù)是滑動條名字，

第二個時所在窗口，

返回值是滑動條的數(shù)值

# cv.createTrackbar() 和 cv.getTrackbarPos()測試

def nothing(*arg):
    pass

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_original = img
cv.namedWindow('image_test')
cv.createTrackbar('kernel_width', 'image_test', 1, 30, nothing)
cv.createTrackbar('kernel_height', 'image_test', 1, 30, nothing)
while 1:
    w = cv.getTrackbarPos('kernel_width', 'image_test')
    h = cv.getTrackbarPos('kernel_height', 'image_test')
    print('w: {} h: {}'.format(w, h))
    if(w!=0 and h!=0):
        kernel = np.ones((w, h), np.float32)/(w*h)
        img = cv.filter2D(img_original, -1, kernel)
        cv.imshow('image_test', img)
    else:
        cv.imshow('image_test', img_original)
    k = cv.waitKey(5)
    if k & 0xFF == ord('q'):
        break
cv.destroyAllWindows()
    

常用模糊

常用的模糊有平均化模糊：cv.blur()和高斯模糊：cv.GaussianBlur()

(1) cv.blur()

平均化模糊cv.blur()就是讓原始圖像與一個全1的卷積核做卷積，然后將得到的值除以卷積核中像素的總個數(shù)，這么說太繞了，直接上圖：

比如我選的卷積核為3x3大小，則原始圖像要與如下的卷積核做卷積：

cv.blur(img, (weight, height))

• img:原始圖像
• weight:卷積核的寬
• height:卷積核的長

(2) cv.GaussianBlur()

高斯模糊是在平均化模糊基礎(chǔ)上的改進(jìn)，考慮了距離對于中心像素的影響：與中心像素距離越近的像素?fù)碛性礁叩臋?quán)重，其實(shí)超級簡單。高斯模糊的原理可以參考：python實(shí)現(xiàn)高斯模糊及原理詳解

cv.GaussianBlur(img, (weight, height), sigmaX, sigmaY)

• img:原始圖像
• weight:卷積核的寬
• height:卷積核的長
• sigmaX:二維高斯函數(shù)x的偏差
• sigmaY:二維高斯函數(shù)y的偏差

注意：

核的寬度和高度，應(yīng)該是正數(shù)和奇數(shù)。我們還應(yīng)該指定X和Y方向的標(biāo)準(zhǔn)偏差，分別為sigmaX和sigmaY。如果只指定sigmaX，sigmaY將被視為與sigmaX相同。如果兩者都是零，則根據(jù)核大小計算。高斯模糊對去除圖像中的高斯噪聲非常有效。

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_blur = cv.blur(img, (5,5))
img_gaussian = cv.GaussianBlur(img, (5,5), 0)
cv.imshow('image_blur', img_blur)
cv.imshow('image_gaussian', img_gaussian)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
    cv.destroyAllWindows()

到此這篇關(guān)于深入學(xué)習(xí)Python+Opencv常用四種圖像處理操作的文章就介紹到這了,更多相關(guān)Python Opencv 圖像處理內(nèi)容請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！

最新評論