OpenCV学习+常用函数记录②:图像卷积与滤波
2020-11-01 15:08
836 查看
OpenCV 图像卷积
- 最近因项目需要加上自己的兴趣,需要用一些opencv相关的东西,虽然之前零零碎碎学习过一些,但是很久不用就忘了,打算写篇文章总结一下学习的过程以及一些常用的函数。类似的博文有很多,但还是觉得自己总结一编印象深一些。
2.1 图像卷积
dst = cv.filter2D(图像, -1, kernel)
2.2 均值滤波
核心API:cv.blur(图像,卷积核)
2.3 中值滤波
核心API:cv.medianBlur(图像,卷积核)
2.4 高斯模糊
核心API:cv.GaussianBlur(图像, (卷积核), 标准差)
代码示例
import cv2 as cv import numpy as np kernel = np.ones((3, 3), np.float32)/9 print kernel src = cv.imread("../img/salt.jpg") cv.imshow("src", src) dst = cv.filter2D(src, -1, kernel) # 均值滤波 cv.imshow("dst", dst) dst2 = cv.blur(src, (3, 3)) # 均值滤波 cv.imshow("dst2", dst2) dst3 = cv.medianBlur(src, 5) # 中值滤波 cv.imshow("dst3", dst3) dst4 = cv.GaussianBlur(src, (3, 3), 5) # 高斯模糊 cv.imshow("dst4", dst4) cv.waitKey()
2.5 Sobel算子 127fa
Sobel算子是像素图像
边缘检测中最重要的算子之一,它是一个离散的一阶差分算子,用来计算图像亮度函数的一阶梯度之近似值。
在图像的任何一点使用此算子,将会产生该点对应的
梯度矢量
import cv2 as cv src = cv.imread("../img/brain.jpg") # sobel算子 参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数 x_sobel = cv.Sobel(src, cv.CV_32F, 1, 0) # 将图像转成8位int x_sobel = cv.convertScaleAbs(x_sobel) # sobel算子 参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数 y_sobel = cv.Sobel(src, cv.CV_16S, 0, 1) # 将图像转成8位int y_sobel = cv.convertScaleAbs(y_sobel) # 将x,y方向的内容叠加起来 xy_sobel = cv.addWeighted(x_sobel, 0.5, y_sobel, 0.5, 0) cv.imshow("src", src) cv.imshow("x_sobel", x_sobel) cv.imshow("y_sobel", y_sobel) cv.imshow("xy_sobel", xy_sobel) cv.waitKey()
由于使用Sobel算子计算的时候有一些偏差, 所以opencv提供了sobel的升级版Scharr函数,计算比sobel更加精细.
import cv2 as cv img = cv.imread("../img/brain.jpg",cv.IMREAD_GRAYSCALE) cv.imshow("src",img) # sobel算子 x_scharr = cv.Scharr(img, cv.CV_32F, 1, 0) # 将图像转成8位int x_scharr = cv.convertScaleAbs(x_scharr) cv.imshow("x scharr",x_scharr) # # sobel算子 y_scharr = cv.Scharr(img, cv.CV_16S, 0, 1) # 将图像转成8位int y_scharr = cv.convertScaleAbs(y_scharr) cv.imshow("y scharr",y_scharr) # 将x,y方向的内容叠加起来 xy_scharr = cv.addWeighted(x_scharr, 0.5, y_scharr, 0.5,0) cv.imshow("x,y scharr",xy_scharr) cv.waitKey(0) cv.destroyAllWindows()
2.6 拉普拉斯算子
通过拉普拉斯变换后增强了图像中灰度突变处的对比度,使图像中小的细节部分得到增强,使图像的细节比原始图像更加清晰。
import cv2 as cv img = cv.imread("../img/hehua.jpg", cv.IMREAD_GRAYSCALE) # 使用拉普拉斯算子 dst = cv.Laplacian(img, cv.CV_32F) # 取绝对值,将数据转到uint8类型 dst = cv.convertScaleAbs(dst) cv.imshow("src", img) cv.imshow("dst", dst) cv.waitKey(0) cv.destroyAllWindows()
2.7 Canny边缘检测算法
Canny算法一种多阶段算法,内部过程共4个阶段:
- 噪声抑制(通过Gaussianblur高斯模糊降噪):使用5x5高斯滤波器去除图像中的噪声
- 查找边缘的强度及方向(通过Sobel滤波器)
- 应用非最大信号抑制(Non-maximum Suppression): 完成图像的全扫描以去除可能不构成边缘的任何不需要的像素
- 高低阈值分离出二值图像(Hysteresis Thresholding)
- 高低阈值比例为T2:T1 = 3:1 / 2:1
- T2为高阈值,T1为低阈值
import cv2 as cv import numpy as np import random # 将图片数据读取进来 img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR) # 1. 将图片转成灰度图片 grayImg = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 2. canny算法 dstImg = cv.Canny(grayImg, 50, 180) # 显示 cv.imshow("img", img) cv.imshow('dstimg', dstImg) cv.waitKey(0)
2.8 双边滤波
双边滤波其综合了高斯滤波器和α-截尾均值滤波器的特点,同时考虑了空间域与值域的差别,而Gaussian Filter和α均值滤波分别只考虑了空间域和值域差别。高斯滤波器只考虑像素间的欧式距离,其使用的模板系数随着和窗口中心的距离增大而减小;α-截尾均值滤波器则只考虑了像素灰度值之间的差值,去掉α%的最小值和最大值后再计算均值。
核心API:cv.bilateralFilter(输入图像, d, sigmaColor, sigmaSpace)
src输入图像
d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数,则函数会从sigmaSpace计算该值。
sigmaColor: 颜色空间过滤器的sigma值,这个参数的值越大,表明该像素邻域内有越宽广的颜色会被混合到一起,产生较大的半相等颜色区域。
sigmaSpace: 坐标空间中滤波器的sigma值,如果该值较大,则意味着越远的像素将相互影响,从而使更大的区域中足够相似的颜色获取相同的颜色.
import cv2 as cv # 将图片数据读取进来 img = cv.imread("../img/timg.jpg", cv.IMREAD_COLOR) # 双边滤波 dstImg = cv.bilateralFilter(img, 10, 50, 50) # 显示图像 cv.imshow('img', img) cv.imshow('newimg', dstImg) cv.waitKey(0)
2.9 锐化滤波
import cv2 as cv import numpy as np img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR) cv.imshow("src", img) k = 1 kernel = np.array([ [-k, -k, -k], [-k, 8*k+1, -k], [-k, -k, -k]]) dst = cv.filter2D(img, -1, kernel) cv.imshow("sharpness filter", dst) cv.waitKey(0) cv.destroyAllWindows()
相关文章推荐
- CentOS Linux TCP调优需要注意的点
- Nginx实例
- 组件化、模块化、集中式、分布式、服务化、面向服务的架构、微服务架构
- 重磅丨2020向光奖·年度影响力投资人TOP3榜单揭晓
- linux系统中firewalld防火墙管理工具firewall-config(GUI图形用户界面)
- Nginx:负载均衡
- Linux(centos6.8)配置Tomcat环境
- 一、单体架构分析
- Docker知识进阶与容器编排技术
- 白帽子***与网络安全工程师教你:Kali Linux和Windows软件管理的异同【二】
- Java开发必会的Linux命令
- Linux-Iptables/Firewall服务
- Linux-Iptables/Firewall服务
- 大型网站架构演化历程
- 使用udev高效、动态的管理Linux设备文件
- 谈谈nginx和lvs各自的优缺点以及使用
- 白帽子***与网络安全工程师教你:Kali Linux和Windows软件管理的异同【一】
- Linux(Centos6.8)配置Nginx环境
- DevOps心态的5个基本价值
- 企业安全_DNS流量监控的技术选型