OpenCV-Python小应用(九):通过灰度直方图检测图像异常点

OpenCV-Python小应用(九):通过灰度直方图检测图像异常点

  • 前言
  • 前提条件
  • 相关介绍
  • 实验环境
  • 通过灰度直方图检测图像异常点
    • 代码实现
    • 输出结果
  • 参考

在这里插入图片描述
在这里插入图片描述

前言

  • 由于本人水平有限,难免出现错漏,敬请批评改正。
  • 更多精彩内容,可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集(口罩检测)
  • YOLOv8训练自己的数据集(足球检测)
  • YOLOv5:TensorRT加速YOLOv5模型推理
  • YOLOv5:IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano(五):TensorRT加速YOLOv5目标检测
  • YOLOv5:添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5:yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5:使用7.0版本训练自己的实例分割模型(车辆、行人、路标、车道线等实例分割)
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

前提条件

  • 熟悉Python

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell),随着版本的不断更新和语言新功能的添加,越多被用于独立的、大型项目的开发。
  • OpenCV是一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
  • OpenCV用C++语言编写,它具有C++、Python、Java和MATLAB接口,并支持Windows、Linux、Android和Mac OS,OpenCV主要倾向于实时视觉应用,并在可用时利用MMX和SSE指令。
  • 图像的灰度值是指图像中每个像素的亮度值,通常用于黑白图像。灰度值的范围通常是0到255,其中0表示黑色,255表示白色。在计算机视觉中,灰度图像是由纯黑和纯白来过渡得到的,在黑色中加入白色就得到灰色,纯黑和纯白按不同的比例来混合就得到不同的灰度值。
  • 在灰度图像中,每个像素的颜色值都是灰度值,指黑白图像中点的颜色深度,范围一般从0到255,白色为255,黑色为0。在灰度图像中,每个像素只有一个采样颜色的图像,这类图像通常显示为从最暗黑色到最亮的白色的灰度,尽管理论上这个采样可以任何颜色的不同深浅,甚至可以是不同亮度上的不同颜色。
  • 灰度直方图是一种用来描述数字图像中灰度级分布的图形工具。它是一个灰度级的函数,表示图像中具有某种灰度级的像素的个数,反映了图像中每种灰度出现的频率。
  • 灰度直方图是图像处理中非常重要的一个概念,它是我们对图像本身灰度的一个分析以及之后我们需要做二值化的一个基础的概念
  • 灰度直方图可以用来分析图像的对比度、亮度等特征,也可以用于图像增强、图像分割、图像压缩等领域。
  • 图像灰度直方图相关知识点,可查阅OpenCV-Python快速入门(九):直方图

实验环境

  • Python 3.6.13 (面向对象的高级语言)
  • OpenCV 3.4.10(python第三方库)pip3 install opencv-python==3.4.10.37

通过灰度直方图检测图像异常点

  • 基本思路:通过计算图像灰度,得到灰度直方图,这里认为灰度直方图中灰度值像素个数较少的灰度值大概率为异常点。
    在这里插入图片描述
  • 目录结构
    在这里插入图片描述

在这里插入图片描述

代码实现

import os
import cv2
import copy
import numpy as np
import matplotlib.pyplot as pltdef cal_low_high_hist(img):hist = cv2.calcHist([img],[0],None,[256],[0,255])flattened_hist = hist.flatten()  # [[255],[125],...] -> [255,125,...]# print(sum(flattened_hist)*0.125) # 下分位# print(sum(flattened_hist)*(1-0.125)) # 上分位# plt.plot(hist,color='b')# plt.show()# 下分位nums = 0for i in range(len(flattened_hist)):low_sum = sum(flattened_hist)*0.125nums += flattened_hist[i]if nums > low_sum:# print(i)break# 上分位nums = 0for j in range(len(flattened_hist)):low_sum = sum(flattened_hist)*(1-0.125)nums += flattened_hist[j]if nums > low_sum:# print(j)breakreturn i,jif __name__=="__main__":# 上分位计算值up_cal_val = [15,255]# 下分位计算值low_cal_val = [-255,-15]img_dir = 'imgs'img_name_list = os.listdir(img_dir)output_folder = 'out_imgs'if not os.path.exists(output_folder):os.mkdir(output_folder)for img_name in  img_name_list:img_path = os.path.join(img_dir,img_name)img = cv2.imread(img_path,0)i,j = cal_low_high_hist(img) # 下,上# print(i,j)up_cal_res = list(map(lambda x: x + j, up_cal_val))low_cal_res = list(map(lambda x: x + i, low_cal_val))# print(up_cal_res,low_cal_res) up_cal_res = [x if x <= 255 else 255 for x in up_cal_res] # 亮点(异常点)low_cal_res = [x if x >= 0 else 0 for x in low_cal_res] # 暗点(异常点)# print(up_cal_res,low_cal_res) #找到满足条件的像素点condition = np.logical_or(img>min(up_cal_res),img<max(low_cal_res))out_of_range_pixels = np.count_nonzero(condition)# print(out_of_range_pixels)# total_out_of_range_pixels += out_of_range_pixelssmall_image = copy.deepcopy(img)if out_of_range_pixels>4:contours,_ = cv2.findContours(condition.astype(np.uint8),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)valid_rectangles=[]for i,c in enumerate(contours):box=cv2.boundingRect(c)x,y,w,h, =boxcenter_x=x+w//2center_y=y+h//2# valid_rectangles.append((x,y,w,h,center_x,center_y))valid_rectangles.append([x,y,w,h,center_x,center_y])# cv2.drawContours(small_image,contours,i,(0,255.0),2)# cv2.rectangle(small_image,(x,y),(x+w,y+h),(0,0,255),2)pad = 5for i,(x,y,w,h,_,_) in enumerate(valid_rectangles):cv2.rectangle(small_image,(x-pad,y-pad),(x+w+pad,y+h+pad),(0,0,255),1)# 保存图片output_filename = f"{os.path.splitext(img_name)[0]}_res.jpg"output_path = os.path.join(output_folder,output_filename)cv2.imwrite(output_path,small_image)# 显示图片show_img = cv2.resize(small_image,(small_image.shape[1],small_image.shape[0]))cv2.imshow('{}'.format(output_filename),show_img)cv2.waitKey()cv2.destroyAllWindows()    

输出结果

在这里插入图片描述
在这里插入图片描述

参考

[1] https://opencv.org/
[2] 李立宗. OpenCV轻松入门:面向Python. 北京: 电子工业出版社,2019

  • 由于本人水平有限,难免出现错漏,敬请批评改正。
  • 更多精彩内容,可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集(口罩检测)
  • YOLOv8训练自己的数据集(足球检测)
  • YOLOv5:TensorRT加速YOLOv5模型推理
  • YOLOv5:IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano(五):TensorRT加速YOLOv5目标检测
  • YOLOv5:添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5:yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5:使用7.0版本训练自己的实例分割模型(车辆、行人、路标、车道线等实例分割)
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/138725.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于springboot实现高校党务平台管理系统【项目源码】

基于springboot实现高校党务平台管理系统演示 Java技术 Java是由Sun公司推出的一门跨平台的面向对象的程序设计语言。因为Java 技术具有卓越的通用性、高效性、健壮的安全性和平台移植性的特点&#xff0c;而且Java是开源的&#xff0c;拥有全世界最大的开发者专业社群&#x…

【flink-sql实战】flink 主键声明与upsert功能实战

文章目录 一. flink 主键声明语法二. 物理表创建联合主键表三. flink sql使用 一. flink 主键声明语法 主键用作 Flink 优化的一种提示信息。主键限制表明一张表或视图的某个&#xff08;些&#xff09;列是唯一的并且不包含 Null 值。 主键声明的列都是非 nullable 的。因此主…

hdlbits系列verilog解答(100输入逻辑门)-39

文章目录 一、问题描述二、verilog源码三、仿真结果一、问题描述 构建一个具有 100 个输入in[99:0]的组合电路。 有 3 个输出: out_and: output of a 100-input AND gate. out_or: output of a 100-input OR gate. out_xor: output of a 100-input XOR gate. 二、verilog源…

ubuntu16.04 交叉编译 mbedtls

在为客户交叉编译项目时需要依赖 mbedtls&#xff0c; 客户的机器是 arm64 的 ubuntu 16.04&#xff0c; 交叉编译过程中遇到几个问题。 首先&#xff0c; mbedtls 需要依赖 python, 在 cmake 的过程中&#xff0c; 如果不是使用系统默认的 cmake 可能会导致&#xff0c;mbedt…

189. 轮转数组

给定一个整数数组 nums&#xff0c;将数组中的元素向右轮转 k 个位置&#xff0c;其中 k 是非负数 实现方法1:每次移动一位&#xff0c;直到k个位置。 void roate1(vector<int>& nums, int k) {if(k < 0){return;}int len nums.size();int stride k % len;for…

蓝桥杯算法双周赛心得——被替换的身份证(分类讨论)

大家好&#xff0c;我是晴天学长&#xff0c;分类讨论一定要细节啊&#xff0c;需要的小伙伴可以关注支持一下哦&#xff01;后续会继续更新的。&#x1f4aa;&#x1f4aa;&#x1f4aa; 1) .被替换的身份证 2) .算法思路 假设一方获胜 1.接受数据 2.假设潜梦醒 无非就是&am…

计算机组成原理之处理器(单周期)

引言 处理器的实现方式决定了时钟周期长度和CPI。实现方式有单周期与流水线&#xff0c;本篇谈谈单周期处理器。 目前CPU的频率一般是3GHZ/4GHZ&#xff0c;但是频率是有极限值的&#xff0c;受cycletime影响 基本的RISC-V实现 存储指令&#xff1a;ld,sd算术逻辑指令 &…

AI 绘画 | Stable Diffusion 进阶 Embeddings(词嵌入)、LoRa(低秩适应模型)、Hypernetwork(超网络)

前言 Stable Diffusion web ui&#xff0c;除了依靠文生图&#xff08;即靠提示词生成图片&#xff09;&#xff0c;图生图&#xff08;即靠图片提示词生成图片&#xff09;外&#xff0c;这两种方式还不能满足我们所有的绘图需求&#xff0c;于是就有了 Embeddings&#xff0…

idea代码快捷键Mac版

1、查询任何东西 双击 Shift2、文件内查找 Command F 3、文件内替换 Command R4、全局查找&#xff08;根据路径&#xff09; Command Shift F5、在当前文件跳转到某一行的指定处 Command L6、退回 / 前进到上一个操作的地方 Command Option 方向键左Command Opt…

京东数据分析:2023年Q3户外鞋服市场分析报告(冲锋衣行业销售数据分析)

从露营、骑行、徒步、桨板、垂钓、飞盘、滑雪到如今的city walk&#xff0c;近两年户外运动已经成为了年轻人新的生活方式。户外运动的爆发也刺激了人们对于鞋服在穿搭、场景化、专业性功能等方向的需求&#xff0c;户外鞋服市场迎来增长。 而全国性的降温则带给目前的户外鞋服…

json数据格式的理解(前+后)

什么是JSON&#xff1a; JSON&#xff08;JavaScript Object Notation&#xff09;是一种广泛使用的数据交换格式&#xff0c;它在前端和后端开发中都扮演着重要的角色。 JSON 的结构&#xff1a; JSON 数据由大括号 {} 包围&#xff0c;表示对象。 对象中的数据以键值对形式…

React 组件和 prop:入门教程

组件和 props React 的核心概念是组件。组件是可重用的代码块&#xff0c;用于描述 UI 中的一部分内容。组件可以通过 props 接收输入&#xff0c;通过 state 管理本地数据&#xff0c;并通过事件处理程序响应用户的操作。 例如&#xff0c;我们可以创建一个名为 Button 的组件…

vue.cli 中怎样使用自定义的组件

目录 创建自定义组件 注册并使用自定义组件 全局注册自定义组件 使用 Props 传递数据 总结 前言 在Vue CLI中使用自定义组件是构建交互式和模块化Web应用的重要一环。Vue CLI为开发者提供了使用自定义组件的灵活性和简便性。通过Vue CLI&#xff0c;你可以创建、注册和使…

【SA8295P 源码分析 (三)】120 - QNX i2c_tool 工具编译、使用方法介绍(I2C / CCI) 及 源码分析

【SA8295P 源码分析】120 - QNX i2c_tool 工具编译、使用方法介绍(I2C / CCI) 及 源码分析 一、i2c_tool 获取、编译 及 使用方法1.1 i2c_tool 源码开发1.2 i2c_tool 源码编译1.3 i2c_tool 使用方法介绍二、i2c_tool 源码分析2.1 头文件 及 数据结构体定义2.2 i2c_write_reg(…

内向基环树

基环树 基环树,也是环套树,是一种有 n 个点 n 条边的图,简单地讲就是树上在加一条边。它形如一个环,环上每个点都有一棵子树的形式。 **基环内向树:**每个点出度为 1(因此每个环上点的子树,儿子指向父亲) **基环外向树:**每个点入度为 1(因此每个环上点的子树,父亲…

yo!这里是哈希应用相关介绍

目录 前言 位图 模拟实现 应用举例 布隆过滤器 模拟实现 应用举例 后记 前言 在介绍unordered系列容器时&#xff0c;我们知道其底层使用的是哈希表&#xff0c;其实哈希是一种方法&#xff0c;是一种思想&#xff0c;哈希思想&#xff08;Hashing&#xff09;是一种在…

模拟一个js底层数据类型隐式转换

隐式转换规则 两端类型相同&#xff0c;比较值。如果一边值为NaN&#xff0c;一律返回falseundefined 和 null 只有自身与自身比较&#xff0c;或者这俩互相比较时才return true两端都是原始类型[number/string/boolean] 转成数字比较只要有一端是对象类型&#xff0c;把对象转…

【第2章 Node.js基础】2.4 Node.js 全局对象...持续更新

什么是Node.js 全局对象 对于浏览器引擎来说&#xff0c;JavaScript 脚本中的 window 是全局对象&#xff0c;而Node.js程序中的全局对象是 global&#xff0c;所有全局变量(除global本身外)都是global 对象的属性。全局变量和全局对象是所有模块都可以调用的。Node.is 的全局…

Vue3 源码解读系列(三)——组件渲染

组件渲染 vnode 本质是用来描述 DOM 的 JavaScript 对象&#xff0c;它在 Vue 中可以描述不同类型的节点&#xff0c;比如&#xff1a;普通元素节点、组件节点等。 vnode 的优点&#xff1a; 抽象&#xff1a;引入 vnode&#xff0c;可以把渲染过程抽象化&#xff0c;从而使得组…

Pytorch实战教程(二十九)-模型训练实用技巧

0. 前言 我们已经学习了多种图像分类模型的构建方法。在本节中,我们介绍在实际构建模型时影响模型性能的因素,包括数据质量(处理不平衡数据)、数据预处理(对象大小)、模型选择、超参数优化和正则化等,了解这些因素能够帮助我们更好地训练和优化机器学习模型。 1. 处理不平衡…