【opencv】图像处理(一)

实验环境:anaconda、jupyter notebook

实验用到的包:numpy,matplotlib,opencv

一、opencv安装

最好使用python3.6(我之前用的3.9安装opencv3.4.1.15会失败)

conda create -n cv python=3.6

安装opencv3.4.1.15(3.4.2版本开始有些算法就有专利了)

pip install opencv-python==3.4.1.15
pip install opencv-contrib-python==3.4.1.15

进入python命令行

import cv2
cv2.__version__

如果没报错那就可以了,如果出现了如下报错

ImportError: libGL.so.1: cannot open shared object file: No such file or directory

需要再安装

pip install opencv-python-headless==3.4.1.15

二、本文使用到的图片

图片放在python脚本相同目录下(不介意需要调整目录的话,放哪里都无所谓)

三、引入包

import cv2
import matplotlib.pyplot as plt
import numpy as np

四、opencv基础操作

读入图片

img = cv2.imread('cat.jpg')

灰度图形式读入

img = cv2.imread('cat.jpg', cv2.IMREAD_GRAYSCALE)

显示图片

如果你使用的是jupyer notebook,使用cv2.imshow()会导致内核崩溃

cv2.imshow(img')

使用matplotlib显示图片

# opencv是BGR表示
plt.subplot(121)
plt.imshow(img)
plt.title('cv cat')
# 转为RGB表示
plt.subplot(122)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('plt cat')
plt.show()

opencv图片显示.png

截取部分图片

img = cv2.imread('cat.jpg')
cat = img[0:500,0:1000]
plt.imshow(cv2.cvtColor(cat, cv2.COLOR_BGR2RGB))
plt.title('roi cat')
plt.show()

opencv截取.png

边界填充

img = cv2.imread('cat.jpg', cv2.IMREAD_GRAYSCALE)top_size, bottom_size, left_size, right_size = (50, 50, 50, 50)
replicate = cv2.copyMakeBorder(img,top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img,top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REFLECT)
reflect_101 = cv2.copyMakeBorder(img,top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img,top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img,top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_CONSTANT, value=0)plt.figure(figsize=(20,10))plt.subplot(231)
plt.imshow(img,'gray')
plt.title('ORIGINAL')plt.subplot(232)
plt.imshow(replicate,'gray')
plt.title('REPLICATE')plt.subplot(233)
plt.imshow(reflect,'gray')
plt.title('REFLCET')plt.subplot(234)
plt.imshow(reflect_101,'gray')
plt.title('REFLECT_101')plt.subplot(235)
plt.imshow(wrap,'gray')
plt.title('WRAP')plt.subplot(236)
plt.imshow(constant,'gray')
plt.title('CONSTANT')plt.show()

opencv边界填充.png

图像融合

cat = cv2.imread('cat.jpg')
dog = cv2.imread('dog.jpg')# 0.4 * cat + 0.6 * dog + 0
img = cv2.addWeighted(cat,0.4 ,dog, 0.6, 0)plt.subplot(313)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('fusion')
plt.show()

opencv图像融合.png

五、opencv图像阈值处理

阈值处理

阈值处理函数如下:

res,dst = cv3.threshold(src, thresh, maxval, type)
  • src:输入图像
  • dst:输出图像
  • thresh:阈值
  • maxval:像素超出阈值的赋值
  • type:操作类型

常用操作类型

  1. cv2.THRESH_BINARY:超过阈值部分取maxval,其它为0
  2. cv2.THRESHBINARYINV
  3. cv2.THRESH_TRUNC:大于阈值部分取设为阈值,其他不变
  4. cv2.THRESH_TOZERO:大于阈值部分不变,其它为0
  5. cv2.THRESHTOZEROINV
img_gray = cv2.imread('cat.jpg', cv2.IMREAD_GRAYSCALE)
ret, thresh1 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray,127,255,cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO_INV)titles = ['orginal','binary','binary inv', 'trunc', 'tozero', 'tozero inv']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]for i in range(6):plt.subplot(2,3, i + 1)plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([])plt.yticks([])
plt.show()

opencv阈值处理.png

图像平滑处理

均值滤波

noise = cv2.imread('noise.jpg')# 均值滤波
# 相加取平均
blur = cv2.blur(noise, (3,3))plt.figure(figsize=(20,25))
plt.subplot(121)
plt.imshow(cv2.cvtColor(noise, cv2.COLOR_BGR2RGB))plt.subplot(122)
plt.imshow(cv2.cvtColor(blur, cv2.COLOR_BGR2RGB))
plt.show()

opencv均值滤波.png

方框滤波

带归一化的方框滤波与均值滤波相同

# 方框滤波,带归一化跟均值滤波一样
box = cv2.boxFilter(noise, -1, (3,3), normalize=True)plt.figure(figsize=(20,25))
plt.subplot(121)
plt.imshow(cv2.cvtColor(noise, cv2.COLOR_BGR2RGB))plt.subplot(122)
plt.imshow(cv2.cvtColor(box, cv2.COLOR_BGR2RGB))
plt.show()

opencv归一化方框滤波.png

不带归一化的方框滤波容易出现越界情况

# 方框滤波,无归一化(不做平均),容易越界
box = cv2.boxFilter(noise, -1, (3,3), normalize=False)plt.figure(figsize=(20,25))
plt.subplot(121)
plt.imshow(cv2.cvtColor(noise, cv2.COLOR_BGR2RGB))plt.subplot(122)
plt.imshow(cv2.cvtColor(box, cv2.COLOR_BGR2RGB))
plt.show()

opencv无归一化方框滤波.png

高斯滤波

# 高斯滤波
# 根据每个点像素值与中心点像素值的差距添加一个权重
gaussian = cv2.GaussianBlur(noise,(5,5),1)plt.figure(figsize=(20,25))
plt.subplot(121)
plt.imshow(cv2.cvtColor(noise, cv2.COLOR_BGR2RGB))plt.subplot(122)
plt.imshow(cv2.cvtColor(gaussian, cv2.COLOR_BGR2RGB))
plt.show()

opencv高斯滤波.png

中值滤波

# 中值滤波
# 用指定区域内的中间值替代区域内的像素值
# 5和(5,5)是一样的
median = cv2.medianBlur(noise,5)plt.figure(figsize=(20,25))
plt.subplot(121)
plt.imshow(cv2.cvtColor(noise, cv2.COLOR_BGR2RGB))plt.subplot(122)
plt.imshow(cv2.cvtColor(median, cv2.COLOR_BGR2RGB))
plt.show()

opencv中值滤波.png

六、opencv形态学

原始图片

img = cv2.imread('cangying.jpg')plt.imshow(img)
plt.show()

cangying.jpg

腐蚀操作

腐蚀操作会用黑色覆盖小面积的白色区域

kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img, kernel, iterations = 1)plt.imshow(erosion)
plt.show()

可以发现小毛刺被去除了,但是笔画也变细了

opencv腐蚀操作.png

膨胀操作

膨胀操作会扩大二值图像的白色区域

dilate = cv2.dilate(erosion, kernel, iterations=1)plt.imshow(dilate)
plt.show()

opencv膨胀操作.png

开运算

先腐蚀,后膨胀

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN,kernel)plt.figure(figsize=(20,15))
plt.subplot(121)
plt.imshow(img)
plt.subplot(122)
plt.imshow(opening)
plt.show()

opencv开运算.png

闭运算

先膨胀,再腐蚀

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE,kernel)plt.figure(figsize=(20,15))
plt.subplot(121)
plt.imshow(img)
plt.subplot(122)
plt.imshow(closing)
plt.show()

opencv闭运算.png

梯度运算

膨胀结果-腐蚀结果

可以得到一个空心的结果

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)plt.imshow(gradient)
plt.show()

opencv梯度运算.png

礼帽运算

原图片 - 开运算结果

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)plt.imshow(tophat)
plt.show()

opencv礼帽运算.png

黑帽运算

闭运算结果 - 原始图片

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)plt.imshow(blackhat)
plt.show()

opencv黑帽运算.png

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/836897.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

深度伪造音频普遍检测的Codecfake数据集和对策

基于音频语言模型(ALM)的深度伪造音频的扩散,出现了对其负面影响的担忧。如,这项技术可能被用于传播错误信息和虚假新闻,迫切需要有效的检测方法。与通常涉及多步骤过程并以声码器使用结束的传统深度伪造音频生成不同&…

DS高阶:B树系列

一、常见的搜索结构 1、顺序查找 时间复杂度:O(N) 2、二分查找 时间复杂度:O(logN) 要求:(1)有序 (2)支持下标的随机访问 3、二叉搜索树(BS树) 时间复杂…

【Linux】文件描述符和重定向

目录 一、回顾C文件 二、系统文件I/O 2.1 系统调用 open 2.2 标志位传参 2.3 系统调用 write 2.4 文件描述符fd 2.5 struct file 2.6 fd的分配规则 2.7 重定向 2.7.1 基本原理: 2.7.2 系统调用 dup2 2.8 标准错误 一、回顾C文件 文件 内容 属性 对…

Python 被广泛用于编写测试脚本、与各种测试框架和工具集成,以及进行性能测试、安全测试等

Python 是一种非常适合自动化测试的语言,因为它易于学习、语法简洁且拥有庞大的社区和丰富的库支持。在自动化测试领域,Python 被广泛用于编写测试脚本、与各种测试框架和工具集成,以及进行性能测试、安全测试等。 以下是一些 Python 自动化…

leetcode刷题:买卖股票的最佳时机

题目 给定一个数组 prices ,它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。 你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。 返回你可以从这笔交易中获取的最大…

文件操作IO网络编程网络原理

​ 文件操作—IO 文件在计算机中可以代表很多东西 在操作系统中, 文件主要是指硬盘文件 硬盘主要分为机械硬盘和固态硬盘。机械硬盘通过磁头在旋转的磁盘上读取数据,适合顺序读取。而固态硬盘则使用闪存芯片来存储数据,没有机械部件,因此读…

Typescript高级: 对泛型和多态的应用, 实现Java中的ArrayList和LinkedList

ArrayList 1 ) 概述 在Java中,ArrayList是一个非常常用且强大的数据结构,它提供了动态数组的功能能够方便地添加、删除和访问元素。在TypeScript中,虽然并没有内置的ArrayList类型但我们可以通过类与接口来模拟实现ArrayList的功能 2 &…

省公派访学|社科老师赴世界名校牛津大学开展研究

F老师已获某省公派出国访学半年的资助,希望落实的学校尽量知名。但因为F老师只是硕士毕业而无博士学位,专业方向又是社科类,所以申请到世界知名高校有一定难度。经过努力,最终我们获得了世界顶尖高校-英国牛津大学的访问学者邀请函…

html5的一些新特性

最近总是碰到html5特性这种问题,虽然简单,但是也是自己平时不关注的东西,趁今天时间充裕,那就来总结一下吧 HTML5新特性包括新增了部分标签、表单元素增强、支持视频和音频、支持canvas绘图、提供web存储、提供地理定位功能、提供web workers机制、提供web socket协议、提供CS…

深入解析 @Transactional:Spring 事务管理的艺术及实战应对策略

在Spring框架的事务处理中,Transactional 注解扮演着核心角色,它极大地简化了开发者在应用中实施事务控制的复杂度。本文将全面解析 Transactional 注解的各个关键属性,并结合实际问题——多数据源配置中遇到的 PlatformTransactionManager 选…

【运维实践项目|001】:高可用性云基础设施部署与升级项目

目录 项目名称 项目背景 项目目标 项目成果 我的角色与职责 我主要完成的工作内容 本次项目涉及的技术 本次项目遇到的问题与解决方法 本次项目中可能被面试官问到的问题 1、什么是ELK? 2、什么是Elasticsearch、Logstash 和Kibana? 3、ELK 三…

《intel开发手册卷3》读书笔记1

1、CPU工作模式 1)实模式:8086的寄存器只有16位,我们也习惯于称8086的工作模式为16位模式。后续的CPU为了保持兼容性,在芯片上了电以后,还必须运行于16位模式之下。这种模式还有个正式的名字叫做实模式。在实模式下&am…

【游戏引擎】unity

目录 Unity入门教程:从零到英雄的旅程前言第一步:下载和安装Unity第二步:创建你的第一个Unity项目第三步:熟悉Unity界面第四步:创建一个简单的游戏对象第五步:编写脚本赋予游戏对象生命第六步:运…

Leetcode 222:完全二叉树的节点个数

给你一棵 完全二叉树 的根节点 root ,求出该树的节点个数。 递归遍历1 public static int countNodes(TreeNode root){return preorder(root);}//计算树的节点个数public static int preorder(TreeNode root){int count0;if(rootnull) return 0;int leftpreorder(…

C语言每日一题—查找子串个数

用函数编程实现计算字符串中子串出现的次数。 函数原型: int FindString(char *str,char *sub) 要求: 在主函数中输入字符串和子串,调用FindString()函数,输出子串出现的次数。输入格式:"%c" 输出格式&#…

探索车路云深度融合的优化与实践

项目背景与业务场景 目前,我国车联网行业处于与 5G 技术的深度融合时期。随着汽车从传统交通工具向着智能化、网联化和电动化方向演进,车联网成为 5G 交通和汽车领域跨界融合最具潜力的应用,已经成为我国战略性新兴产业的重要发展方向。通过…

【前端每日基础】day8 src和href

src 和 href 是两个常用的 HTML 属性&#xff0c;它们分别用于不同类型的资源引用&#xff0c;有以下区别&#xff1a; src&#xff08;source&#xff09;&#xff1a; src 属性用于指定外部资源的地址&#xff0c;比如图像、音频、视频、嵌入框架等的地址。 在 < img &g…

Linux perf:系统性能监控和分析工具

1. 写在前面 Linux perf 是 Linux 2.6 后内置于内核源码树中的性能剖析&#xff08;profiling&#xff09;工具,它基于事件采样&#xff0c;以性能事件为基础&#xff0c;针对 CPU 相关性能指标与操作系统相关性能指标进行性能剖析&#xff0c;可用于性能瓶颈查找与热点代码的…

保研机试之【x86/x86-64体系结构中的寄存器】

先来看一下这六个选项的功能&#xff1a; 举一个例子&#xff1a; 对于CR2寄存器和中断向量表&#xff1a; 也就是先通过CR2寄存器找到引发错误的虚拟地址&#xff0c;然后操作系统分析错误原因&#xff0c;通过IDTR寄存器找到IDT&#xff08;中断向量表&#xff09;&#xff0…

栈与递归的实现

1. 栈的概念及结构 栈&#xff1a;一种特殊的线性表&#xff0c;其只允许在固定的一端进行插入和删除元素操作。 进行数据插入和删除操作的一端 称为栈顶&#xff0c;另一端称为栈底。 栈中的数据元素遵守后进先出LIFO&#xff08;Last In First Out&#xff09;的原则&#x…