图像数据预处理—

图像数据预处理——openCV

灰度化

几何变换

图像缩放

中心裁剪

标准化

图像增强

可视化图像

import numpy as np 
import pandas as pd 
import json
import cv2
import os

灰度化

使用cv2读取图像时，就可以选择读取彩色图像还是灰度图像

image = cv2.imread(filename, flags)

flags：cv2.IMREAD_COLOR，cv2.IMREAD_GRAYSCALE，cv2.IMREAD_UNCHANGED

cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道，可用1作为实参替代
cv2.IMREAD_GRAYSCALE：读入灰度图片，可用0作为实参替代
cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道，可用-1作为实参替代

单通道读取图片：

def img_processor(data_path):image_src = cv2.imread(data_path,flag = cv2.IMREAD_GRAYSCALE)

几何变换

图像缩放

image = cv2.resize( x, y ）

将图像大小调整为 (256, 256)

def img_processor(data_path):image_src = cv2.imread(data_path,flag = cv2.IMREAD_GRAYSCALE)// 调整图像大小为（256,256）image_resized = cv2.resize(image_src, (256,256))

中心裁剪

image = image [y0 : y1, x0 : x1]

其中，y0，x0 是初始索引位置，y1，x1 是对角索引位置。

将图片中心剪裁为（224,224）的大小，返回起始索引位置和图片：

def img_processor(data_path，dst_size=(224,224):image_src = cv2.imread(data_path,flag = cv2.IMREAD_GRAYSCALE)image = cv2.resize(image_src, (256,256)) // 图像大小为（256,256）// 计算初始索引位置startx = (256,dst_size[0]) // 2starty = (256,dst_size[1]) // 2// 剪裁image = image[starty:starty+dst_size[0],startx:startx+dst_size[1]]

标准化

image = (image - mean）/std

def img_processor(data_path，dst_size=(224,224):image_src = cv2.imread(data_path,flag = cv2.IMREAD_GRAYSCALE)// 标准化,使用代码中设置的 _mean 和 _std 对图像像素进行标准化。Image_std = [0.229, 0.224, 0.225]Image_mean = [0.485, 0.456, 0.406]_std = np.array(Image_std).reshape((1,1,3))_mean = np.array(Image_mean).reshape((1,1,3))image_standar = (image_src-_mean) / _std

图像增强

cv2.convertScaleAbs是OpenCV中用于对图像进行线性缩放和偏移的函数。

dst = cv2.convertScaleAbs(src, alpha=alpha, beta=beta)

#输出图像与输入图像具有相同的大小和类型。

alpha用于调整对比度，beta用于调整亮度。cv2.convertScaleAbs函数用于对图像进行缩放和偏移，从而实现对比度增强和亮度调整

def enhance_contrast_brightness(image, alpha=1.0, beta=0):# 对比度增强和亮度调整enhanced_image = cv2.convertScaleAbs(image, alpha=alpha, beta=beta)return enhanced_image