数字图像处理:亮度对比度-几何变换-噪声处理

文章目录

    • 数字图像增强
      • 亮度与对比度转换
      • 几何变换
        • 图像裁剪
        • 尺寸变换
        • 图像旋转
      • 噪声处理
        • 添加噪声
        • 处理噪声

数字图像增强

亮度与对比度转换

图像变换可分为以下两种:

  • 点算子:基于像素变换,在这一类图像变换中,仅仅根据输入像素值计算相应的输出像素值
  • 邻域算子:基于图像区域进行变换

两种常用的点算子是用常数对点的像素值进行乘法或加法运算,可以表示为:

g ( i , j ) = α ∗ f ( i , j ) + β g(i, j) = \alpha * f(i, j) + \beta g(i,j)=αf(i,j)+β

其中,图像中点的位置为 ( i , j ) (i, j) (i,j)α值代表增益,β值代表偏置。对图像进行亮度和对比度的变换就是一种点算子,这两个参数分别可以用来控制对比度与亮度。可以通过调节这两个参数的值,来对图片进行对比度或亮度的调节。即将原图像中的每一个像素点都加上一个偏置常数,则可以使图片的亮度变大。类似地,将原图片中的像素点乘上一个增益系数,可以调整图片的对比度。

注意

图片像素点的像素值取值范围是[0,255],一定不要让其溢出,可以使用np.clip进行截断

示例图像:

在这里插入图片描述

import cv2
import numpy as np#  方法1: 基于addWeighted()函数实现
def convert_img1(img, alpha, beta):blank = np.zeros(img.shape, img.dtype)return cv2.addWeighted(img, alpha, blank, 0, beta)# 方法2: 通过for循环手动实现
def convert_img2(img, alpha, beta):rows, cols, chs = img.shapenew_img = np.zeros(img.shape, img.dtype)for i in range(rows):for j in range(cols):for k in range(chs):new_img[i, j, k] = np.clip(alpha * img[i, j, k] + beta, 0, 255)return new_imgimg = cv2.imread('woman.png')
cv2.imwrite('convert_img1.jpg', convert_img1(img, 2.2, 50))
cv2.imwrite('convert_img2.jpg', convert_img2(img, 2.2, 50))

在这里插入图片描述

在上述代码中,函数convert_img1()中的addWeighted()函数的参数列表分别为:[img1,alpha,img2,beta,gamma],代表将两个图片进行如下计算:

n e w _ i m g = a l p h a ∗ i m g 1 + b e t a ∗ i m g 2 + g a m m a new\_img = alpha * img1 + beta * img2 + gamma new_img=alphaimg1+betaimg2+gamma

而函数convert_img2()实现的过程,就是通过for循环修改原始图片的像素值,与函数convert_img1()的过程是一样的,只不过convert_img1()函数调用addWeighted()函数的img2参数中图片的像素值都是0而已。

几何变换

图像的几何变换是指对图片中的图像像素点的位置进行变换的一种操作,它将一幅图像中的坐标位置映射到新的坐标位置,也就是改变像素点的空间位置,同时也要估算新空间位置上的像素值。

图像裁剪

在图像数据的矩阵中裁剪出部分矩阵作为新的图像数据,从而实现对图像的裁剪。

import cv2
import numpy as np# 图像裁剪
img = cv2.imread('woman.png')
print(img.shape)new_img = img[20:300, 20:400]
cv2.imwrite('crop_img.jpg', new_img)

在这里插入图片描述

上述代码实现的过程是将原始的图像从第(20,20)个像素点的位置,裁剪到(300,400)处,裁剪的形状是矩形。

尺寸变换

修改图像的尺寸也就是修改图像的大小,OpenCV的resize()函数可以实现这样的功能。对图像进行尺寸变换时,必然会丢失或者增加一些像素点。在缩放时建议使用区域插值cv2.INTER_AREA,可以避免出现波纹;在放大时建议使用三次样条插值cv2.INTER_CUBIC,但是其计算速度相对较慢。也可以使用线性插值cv2.INTER_LINEAR,默认情况下所有改变图像尺寸大小的操作使用的插值法都是线性插值。

# 图像缩放
small_resize_img = cv2.resize(img, (200, 200), interpolation=cv2.INTER_AREA)
cv2.imwrite('small_resize.jpg', small_resize_img)small_resize_img2 = cv2.resize(img, None, fx=0.5, fy=0.6, interpolation=cv2.INTER_AREA)  # 图像的宽对应的是列数,高对应的是行数
cv2.imwrite('small_resize2.jpg', small_resize_img2)

在这里插入图片描述
在这里插入图片描述

图像旋转

旋转通过getRotationMatrix2D()函数来实现。

# 图像旋转
img = cv2.imread('woman.png')
rows, cols, _ = img.shape
rotated_mat = cv2.getRotationMatrix2D((cols/2, rows/2), 45, 1)  # 第一个参数是旋转中心,第2个为旋转角度,第3个为旋转后的缩放因子
rotated_img = cv2.warpAffine(img, rotated_mat, dsize=(cols, rows))
cv2.imwrite('rot45.jpg', rotated_img)

在这里插入图片描述

噪声处理

对训练数据添加适量噪声,可以使训练后的模型更加鲁棒,对模型的性能提升有一定帮助。对噪声进行消除,可以增加图像的质量。

添加噪声

对图像添加两种常用噪声的方法:

  • 椒盐噪声
  • 高斯噪声
import cv2
import random
import numpy as np# 添加椒盐噪声
def salt_and_pepper_noise(img, percentage):rows, cols, chs = img.shapenum = int(percentage * rows * cols)for i in range(num):x = random.randint(0, rows-1)y = random.randint(0, cols-1)z = random.randint(0, chs-1)if random.randint(0, 1) == 0:img[x, y, z] = 0  # 黑色噪点else:img[x, y, z] = 255  # 白色噪点return img# 添加高斯随机噪声
def gaussian_noise(img, mu, sigma, delta):rows, cols, chs = img.shapefor i in range(rows):for j in range(cols):for k in range(chs):# 生成高斯分布的随机数,与原始数据相加要取整value = int(img[i, j, k] + delta*random.gauss(mu=mu, sigma=sigma))value = np.clip(a_max=255, a_min=0, a=value)img[i, j, k] = valuereturn imgimg = cv2.imread('woman.png')cv2.imwrite('saltPepper.jpg', salt_and_pepper_noise(img, 0.3))
cv2.imwrite('gaussain.jpg', gaussian_noise(img, 0, 1, 100))

在这里插入图片描述

在这里插入图片描述

可以看到上述为图像添加椒盐噪声和高斯噪声的方法。对于高斯噪声来说,函数gaussian_noise()中的mu参数代表了随机数高斯分布的平均值,sigma代表随机数高斯分布的标准差,而参数delta代表一个系数,表明添加高斯噪声的强度。

处理噪声

OpenCV提供了几种滤波方法,如中值滤波、双边滤波、高斯模糊、二维卷积等,

import cv2
import random
import numpy as np# 模糊与滤波
salt_and_pepper_img = cv2.imread('saltPepper.jpg')
gaussain_img = cv2.imread('gaussain.jpg')# 二维卷积
kernel = np.ones((5, 5), np.float32) / 25  # 每个值是0.04
conv_2d_img = cv2.filter2D(salt_and_pepper_img, -1, kernel)
cv2.imwrite('filter_2d_img.jpg', conv_2d_img)# 中值滤波
median_blur_img = cv2.medianBlur(salt_and_pepper_img, 5)  # 参数5表示大小为5x5的区域像素值进行计算
cv2.imwrite('median_blur_img.jpg', median_blur_img)# 高斯模糊
gaussian_blur_img = cv2.GaussianBlur(gaussain_img, (5, 5), 0)
cv2.imwrite('gaussian_blur_img.jpg', gaussian_blur_img)# 双边滤波
bilateral_filter_img = cv2.bilateralFilter(gaussain_img, 9, 75, 75)  # 9代表邻域直径,两个参数75分别代表值域与空域标准差
cv2.imwrite('bilateral_filter_img.jpg', bilateral_filter_img)

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

在这里插入图片描述

可以看到,中值滤波的效果是最好的。

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/69418.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

c++中的常用知识点总结

命名空间 使用命名空间之后&#xff0c;调用代码时可以省去也可以不省去相关的前缀。 #include <iostream>using namespace std;//使用c自己的命名空间 int main() {int num1 10;std::cout << "Hello, World!" << std::endl;cout<<num1&l…

【计算机网络】 ARP协议和DNS协议

文章目录 数据包在传输过程中的变化过程单播组播和广播ARP协议ARP代理免费ARP路由数据转发过程DNS协议 数据包在传输过程中的变化过程 在说ARP和DNS之前&#xff0c;我们需要知道数据包在传输过程的变化过程 从图片中可以看到&#xff0c;发送方的原数据最开始是在应用层&…

【元宇宙】区块链,元宇宙最大化的驱动力

如今&#xff0c;一些观察者认为区块链是在结构上实现元宇宙的必要条件&#xff0c;而其他人则认为这种说法是荒谬的。人们对于区块链技术本身仍然有很多困惑&#xff0c;所以根本谈不上清楚地了解込块链技术与元宇宙的关系。所以&#xff0c;我们可以从区块链的定义开始介绍。…

vscode使用delve调试golang程序

环境配置 delve仓库&#xff0c;含有教程&#xff1a;https://github.com/go-delve/delve golang的debugging教程&#xff1a;https://github.com/golang/vscode-go/wiki/debugging > go version go version go1.20 windows/amd64> go install github.com/go-delve/de…

华为云Stack的学习(五)

六、华为云stack服务简介 1.云服务在华为云Stack中的位置 云服务对接多个数据中心资源池层提供的资源&#xff0c;并向各种行业应用提供载体。 2.华为云Stack通用服务 2.1 云计算的服务模式 2.2 计算相关的云服务 2.3 存储相关的云服务 2.4 网络相关的云服务 3.云化案例 **…

如何取消KEIL-MDK工程中出现的CMSIS绿色图标

如何取消KEIL-MDK工程中出现的CMSIS绿色图标&#xff1f;我以前经常遇到&#xff0c;不知道怎么搞&#xff0c;好像也不影响编译结果。以前问过其他人&#xff0c;但是不知道怎么搞&#xff0c;相信很多人也遇到过。水平有限&#xff0c;表达不清楚&#xff0c;见下图&#xff…

Bootstrap的标题类(标题样式h1~h6)

Bootstrap 的标题字体大小通常遵循以下样式规则&#xff1a; h1 标题的字体大小为 2.5rem&#xff08;40像素&#xff09;。h2 标题的字体大小为 2rem&#xff08;32像素&#xff09;。h3 标题的字体大小为 1.75rem&#xff08;28像素&#xff09;。h4 标题的字体大小为 1.5re…

SOME/IP 支持两种序列化方式:TLV 和 TV

SOME/IP 是一种基于 IP 的可扩展面向服务的中间件协议,它可以在车载以太网中实现 ECU 之间的高效通信和互操作性。 SOME/IP 的序列化方式是指将数据结构或对象按照一定的规则转换成字节序列的过程,以便在网络中传输和解析。 SOME/IP 支持两种序列化方式:TLV 和 TV。 TLV是…

C++std::function和std::bind()的概念

std::function&#xff1a; 一个通用的函数封装器&#xff0c;它允许你存储和调用任何可以被调用的东西&#xff0c;例如函数、函数指针、函数对象、Lambda 表达式等。 std::bind&#xff1a; 用于创建函数对象。一个可调用对象的绑定版本&#xff0c;可以提前绑定某些参数&am…

Codeforces Round 260 (Div. 1) B. A Lot of Games(字典树+博弈)

B. A Lot of Games 链接&#xff1a;Codeforces Round 260 (Div. 1) B. A Lot of Games 题意 给定 n n n 个字符串&#xff0c;A和B准备玩一个游戏&#xff0c;每一轮有一个初始空字符串&#xff0c;每人轮流向其中添加字符&#xff0c;要求添加后的字符串必须是这 n n n …

【trie树】CF Edu12 E

Problem - E - Codeforces 题意&#xff1a; 思路&#xff1a; 这其实是一个套路题 区间异或转化成前缀异或&#xff0c;然后枚举 i 对于每一个 i&#xff0c;ai ^ x k&#xff0c;对 x 计数 先建一棵字典树&#xff0c;然后在字典树上计数 先去对 > k 的部分计数&a…

微信小程序第三方插件申请

记录下小程序申请插件的页面&#xff0c;之前自己找了很久&#xff0c;方便后续使用 1. 先找到自己需要的第三方插件的appid 2. 登录微信公众平台后台&#xff08;mp.weixin.qq.com&#xff09; 3. 打开小程序插件页面 https://mp.weixin.qq.com/wxopen/plugindevdoc?appi…

国际版阿里云/腾讯云:弹性高性能计算E-HPC入门概述

入门概述 本文介绍E-HPC的运用流程&#xff0c;帮助您快速上手运用弹性高性能核算。 下文以创立集群&#xff0c;在集群中安装GROMACS软件并运转水分子算例进行高性能核算为例&#xff0c;介绍弹性高性能核算的运用流程&#xff0c;帮助您快速上手运用弹性高性能核算。运用流程…

AI批量写文章伪原创:基于ChatGPT长文本模型,实现批量改写文章、批量回答问题(长期更新)

import traceback import openai import osopenai.api_key = ""conversation=[{"role": "system", "content": "You are a helpful assistant."}] max_history_len = 20 first_message = Nonedir = rJ:\ai\input #要改写的文…

软件设计的七大原则

一. 软件设计的七大原则 单一职责原则&#xff1a;一个类只负责一个功能领域中的饿相应职责。开闭原则&#xff1a;对扩展开放&#xff0c;对修改关闭&#xff0c;多使用抽象类和接口&#xff0c;应该尽量使这个系统能够扩展新的功能&#xff0c;通过扩展来实现变化&#xff0…

易云维®医院后勤管理系统软件利用物联网智能网关帮助实现医院设备实现智能化、信息化管理

近年来&#xff0c;我国医院逐渐意识到医院设备信息化管理的重要性&#xff0c;逐步建立医院后勤管理系统软件&#xff0c;以提高信息化管理水平。该系统是利用数据库技术&#xff0c;为医院的中央空调、洁净空调、电梯、锅炉、医疗设备等建立电子档案&#xff0c;把设备监控、…

Mysql 主从复制

简述 start slave; show slave status\G stop slave; reset slave; # delete relay log, create relay log. reset master; # delete bin log, restart.单表超过 500 万行 或 容量超过 2GB, 才推荐分库分表. 如果预计三年后的数据量根本达不到这个级别, 请不要在创建表时就分库…

性能炸裂c++20协程+iocp/epoll,超轻量高性能异步库开发实战

前言&#xff1a; c20出来有一段时间了。其中一大功能就是终于支持协程了&#xff08;c作为行业大哥大级别的语言&#xff0c;居然到C20才开始支持协程&#xff0c;我也是无力吐槽了&#xff0c;让多少人等了多少年&#xff0c;等了多少青春&#xff09;但千呼万唤他终于还是来…

MySQL数据库 主从复制与读写分离

读写分离是什么 读写分离&#xff0c;基本的原理是让主数据库处理事务性增、改、删操作&#xff08;INSERT、UPDATE、DELETE&#xff09;&#xff0c;而从数据库处理SELECT查询操作。数据库复制被用来把事务性操作导致的变更同步到集群中的从数据库。 为什么要进行读写分离 因…

基于Matlab实现多个图像融合案例(附上源码+数据集)

图像融合是将多幅图像合成为一幅图像的过程&#xff0c;旨在融合不同图像的信息以获得更多的细节和更丰富的视觉效果。在本文中&#xff0c;我们将介绍如何使用Matlab实现图像融合。 文章目录 简单案例源码数据集下载 简单案例 首先&#xff0c;我们需要了解图像融合的两种主…