C++ opencv图像处理实现灰度变换示例

2024-09-30 01:56:05

灰度变换概念

在图像预处理中，图像的灰度变换是图像增强的重要手段，灰度变换可以使图像对比度扩展，图像清晰，特征明显，灰度变换主要利用点运算来修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，是一种基于图像变换的操作。

灰度变换的作用

1.改善图像是质量，显示更多的细节，提高图像的对比度

2.有选择的突出图像感兴趣的特征或者抑制图像中不需要的特征

3.可以有效的改变图像的直方图的分布，使像素的分布更加均匀

灰度变换的方法

1.线性灰度变换

2.非线性灰度变换（对数变换，幂律变换（伽马变换））

灰度化

灰度的概念

在数字图像中，像素是基本的表示单位，各个像素的亮安程度用灰度值来标识，只含亮度信息，不含色彩信息的图像称为灰度图像，对于单色图像，它的每个像素的灰度值用【0,255】区间的整数表示，即图像分为256个灰度等级，对于彩色图像，他的每个像素由R,G,B三个单色调配而成，如果每个像素的R,G,B完全相同，也就是R=G=B=D，该图像就是灰度图像，其中D被称为各个像素的灰度值。

对彩色图进行灰度化

1.加权平均值法

D=0.299R+0.587G+0.114*B

代码如下：

#include<iostream>
#include<opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
	Mat img, img2;
	img = imread("猫1.jpg");
	imshow("原图", img);
	img2.create(img.size(), 0);
	for (int i = 0; i < img.rows; i++)
	{
		for (int j = 0; j < img.cols; j++)
		{
			img2.at<uchar>(i, j) = saturate_cast<uchar>(0.114*img.at<Vec3b>(i, j)[0] + 0.587*img.at<Vec3b>(i, j)[1] + 0.299*img.at<Vec3b>(i, j)[2]);
		}
	}
	imshow("经验公式", img2);
	waitKey(0);
}

效果如下：

2.取最大值

代码如下：

int main()
{
	Mat img, img2;
	img = imread("猫1.jpg");
	imshow("原图", img);
	img2.create(img.size(), 0);
	for (int i = 0; i < img.rows; i++)
	{
		for (int j = 0; j < img.cols; j++)
		{
			int max = img.at<Vec3b>(i, j)[0];
			for (int x = 0; x < 3; x++)
			{
				if (max < img.at<Vec3b>(i, j)[x])
				{
					max = img.at<Vec3b>(i, j)[x];
				}
			}
			img2.at<uchar>(i, j) = saturate_cast<uchar>(max);
		}
	}
	imshow("最大值", img2);
	waitKey(0);
}

3.平均值

代码如下：

int main()
{
	Mat img, img2;
	img = imread("猫1.jpg");
	imshow("原图", img);
	img2.create(img.size(), 0);
	for (int i = 0; i < img.rows; i++)
	{
		for (int j = 0; j < img.cols; j++)
		{
			img2.at<uchar>(i, j) = saturate_cast<uchar>((img.at<Vec3b>(i, j)[0] + img.at<Vec3b>(i, j)[1] + img.at<Vec3b>(i, j)[2])/3);
		}
	}
	imshow("平均值", img2);
	waitKey(0);
}

灰度的线性变换

图像的线性变换是图像处理的基本运算，通常应用在调整图像的画面质量方面，如图像对比度，亮度及反转等操作。灰度的线性变换就是将图像中所有点的灰度按照线性灰度变换函数进行变换。

1.线性变换

y=kx+b;

代码如下：

int main()
{
	Mat img1, img2;
	img1 = imread("猫1.jpg", 1);
	imshow("原图", img1);
	img2 = Mat::zeros(img1.size(), 0);
	for (int i = 0; i < img1.rows; i++)
	{
		for (int j = 0; j < img1.cols; j++)
		{
			for (int s = 0; s < 3; s++)
			{
				img2.at<uchar>(i, j) = saturate_cast<uchar>(1.1*img1.at<Vec3b>(i, j)[s] + 20);
			}
		}
	}
	imshow("线性", img2);
	waitKey(0);
}

效果如下：

2.分段线性变换

代码如下：

int main()
{
	Mat img1, img2;
	img1 = imread("猫1.jpg", 0);
	imshow("原图", img1);
	img2 = Mat::zeros(img1.size(), 0);
	for (int i = 0; i < img1.rows; i++)
	{
		for (int j = 0; j < img1.cols; j++)
		{
			uchar temp = img1.at<uchar>(i, j);
			if (temp <=70)
			{
				img2.at<uchar>(i, j) = saturate_cast<uchar>(0.5*temp + 20);
			}
			else if (temp > 70 && temp <= 150)
			{
				img2.at<uchar>(i, j) = saturate_cast<uchar>(1.2*temp + 100);
			}
			else if (temp > 150 && temp <= 255)
			{
				img2.at<uchar>(i, j) = saturate_cast<uchar>(0.9*temp + 55);
			}
		}
	}
	imshow("分段线性", img2);
	waitKey(0);
}

效果如下：

灰度的非线性变换

对数变换和分对数变换都属于非线性变换

1.对数变换

对数变换能增强图像暗部的细节

代码如下：

int main()
{
	double c = 1.2;
	Mat img1, img2, img3;
	img1 = imread("猫1.jpg",0);
	img3 = Mat::ones(img1.size(), CV_32FC3);
	add(img1, Scalar(1.0), img1);
	img1.convertTo(img1, CV_32F);
	log(img1, img3);
	img3 = c*img3;
	normalize(img3, img3, 0, 255, NORM_MINMAX);//归一化到0-255 NORM_MINMAX 线性归一化
	convertScaleAbs(img3, img3);//转换成8bit通道显示
	imshow("对数变换", img3);
	waitKey(0);
}

效果如下：

2.幂律变换

幂律变换也称伽马变换或指数变换，主要用于图像的校正，对漂白的图片或过黑的图片进行修正，增强对比度

代码如下：

int main()
{
	Mat img1, img2;
	img1 = imread("猫1.jpg",0);
	img2.create(img1.size(), img1.type());
	for (int i = 0; i < img1.rows; i++)
	{
		for (int j = 0; j < img1.cols; j++)
		{
			int gray = img1.at<uchar>(i, j);
			img2.at<uchar>(i, j) = saturate_cast<uchar>(pow(gray,0.5));
		}
	}
	normalize(img2, img2, 0, 255, NORM_MINMAX);
	imshow("幂律变换", img2);
	waitKey(0);
}

效果如下：

总结

以上就是本文的全部内容，本文简单介绍了灰度化以及灰度变换的一些基础知识，更多关于C++ opencv灰度变换的资料请关注我们其它相关文章！

C++ opencv图像处理实现图片边缘检测示例

目录边缘检测简介一.边缘检测步骤二.Canny 1.函数 2.代码二.Sobel 1.函数 2.代码三.Scharr 1.函数 2.代码四.Laplacian 1.函数 2.代码总结边缘检测简介边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点. 图像边缘检测大幅度地减少了数据量,并且剔除量不相关的信息,保留了图像重要的结构属性. 一.边缘检测步骤 1.图像获取 2.图像滤波 3.图像增强 4.图像检测 5.图像定位二.Canny 1.
C++ OpenCV中几种基本的图像处理方式

目录一.图像显示 1.OpenCV的命名空间 2.Mat类简析 3.图像的载入:imread()函数 4.imshow()函数二.图像腐蚀和膨胀三.图像模糊四.canny边缘检测虽然单单要做车牌号识别的话不需要特别多种类的图像处理,但是我们不能只是为了这么一个目标去学习,所以这次就讲一些OpenCV里基本的图像处理,大家以后可以根据需求使用不同的图像处理. 一.图像显示 [打开Visual Studio]→[新建项目]→[Win32控制台应用项目(修改名称后点确定)]→[下一步]→[空
C++使用opencv读取图片的操作代码(图像处理)

目录代码理解全部代码读取结果参考代码理解 using namespace cv; 解释:加入此代码,后面就不需要在函数前加入cv:: 如从cv::imread(),可以直接写成imread() int main(int argc, char** argv) { return 0: } 解释: // argc是命令行,总的参数个数; argv[]是argc个参数,其中第0个参数是程序的全名,以后的参数命令行后面跟的用户输入的参数 // char *argv[] 用来取得你所输入的参数 /
OpenCV图像几何变换之透视变换

本文实例为大家分享了Android九宫格图片展示的具体代码,供大家参考,具体内容如下 1. 基本原理透视变换(Perspective Transformation)的本质是将图像投影到一个新的视平面,其通用变换公式为: (u,v)为原始图像像素坐标,(x=x'/w',y=y'/w')为变换之后的图像像素坐标.透视变换矩阵图解如下: 仿射变换(Affine Transformation)可以理解为透视变换的特殊形式.透视变换的数学表达式为: 所以,给定透视变换对应的四对像素点坐标,即可求得透视变
C++ opencv图像处理实现图片几何变换示例

目录简介一.图像平移 1.图像平移代码 (不改变图像大小) 2.图像平移代码 (改变图像大小) 二.图像旋转 1.图像旋转函数 2.仿射变换函数 3.代码三.图像缩放 1.图像缩放函数 2.图像缩小代码 3.图像放大代码总结简介图像的几何变换不改变图像的像素值,而是改变像素所在的几何位置,从变换的性质来分,图像的几何变换有图像的位置变换(平移,镜像,旋转).图像的形状变换(放大,缩小,错切)等基本变换,以及图像的复合变换等, 一.图像平移图像平移是将一幅图像中所有的点都按照指定的平
OpenCV图像处理之七种常用图像几何变换

0 程序环境与所学函数本章程序运行需要导入下面三个库,并定义了一个显示图像的函数所学函数 ##放大.缩小 cv.resize(img,dsize,[interpolation]) ##平移变换 M = np.array([[...]], dtype=np.float32) cv.warpAffine(img, M, dsize) ##镜像变换 cv.flip(img, 1) # 垂直镜像 cv.flip(img, 0) # 水平镜像 cv.flit(img, -1) # 水平垂直同时进行 #
C++ opencv图像处理实现灰度变换示例

目录灰度变换概念灰度变换的作用灰度变换的方法灰度化灰度的概念对彩色图进行灰度化 1.加权平均值法 2.取最大值 3.平均值灰度的线性变换 1.线性变换 2.分段线性变换灰度的非线性变换 1.对数变换 2.幂律变换总结灰度变换概念在图像预处理中,图像的灰度变换是图像增强的重要手段,灰度变换可以使图像对比度扩展,图像清晰,特征明显,灰度变换主要利用点运算来修正像素灰度,由输入像素点的灰度值确定相应输出点的灰度值,是一种基于图像变换的操作. 灰度变换的作用 1.改善图像是质量,显
基于python的opencv图像处理实现对斑马线的检测示例

基本思路斑马线检测通过opencv图像处理来进行灰度值转换.高斯滤波去噪.阈值处理.腐蚀和膨胀后对图像进行轮廓检测,通过判断车辆和行人的位置,以及他们之间的距离信息,当车速到超过一定阈值时并且与行人距离较近时,则会被判定车辆为未礼让行人. 结果示例实验流程先通过视频截取一张图片来进行测试,如果结果满意之后再嵌套到视频中,从而达到想要的效果. 1.预处理(灰度值转换.高斯滤波去噪.阈值处理.腐蚀和膨胀)> 根据自己的需求来修改一些值 #灰度值转换 imgGray = cv2.cvtColor
python opencv图像处理基本操作示例详解

目录 1.图像基本操作 ①读取图像 ②显示图像 ③视频读取 ④图像截取 ⑤颜色通道提取及还原 ⑥边界填充 ⑦数值计算 ⑧图像融合 2.阈值与平滑处理 ①设定阈值并对图像处理 ②图像平滑-均值滤波 ③图像平滑-方框滤波 ④图像平滑-高斯滤波 ⑤图像平滑-中值滤波 3.图像的形态学处理 ①腐蚀操作 ②膨胀操作 ③开运算和闭运算 4.图像梯度处理 ①梯度运算 ②礼帽与黑帽 ③图像的梯度处理 5.边缘检测 ①Canny边缘检测 1.图像基本操作 ①读取图像 ②显示图像该函数中,name是显示窗口的名字
C++ opencv图像处理实现图像腐蚀和膨胀示例

目录 1 概念 2 膨胀 3 腐蚀 1 概念 1.1 腐蚀跟膨胀是最基本的形态学运算 1.2 腐蚀跟膨胀是对图像的白色的部分(亮光部分)进行操作 1.3 腐蚀是对亮光部分进行腐蚀拥有比原图更小的亮光部分 1.4 膨胀是对亮光部分进行膨胀拥有比原图更大的亮光部分这里有一个误区假如说在图片上的一个字,很多人都会认为膨胀是将图片上的字进行膨胀放大实则不然可以看到膨胀是将图片上的亮色区域进行放大,字就会变得更小,结构体够大的情况下,字就会看不见了** 可以看到腐蚀是将图片上的亮色区域进行放小,
OpenCV+Qt实现图像处理操作工具的示例代码

目录一.目标二.使用Qt界面三.图像处理操作完整代码一.目标 Qt界面实现雪花屏高斯模糊中值滤波毛玻璃灰度化 XY方向模糊双边模糊腐蚀 [图像处理操作] 要求左边原图,右边效果图结果展示如下:[图像处理实现有点多,就不一个一个地展示了,各别展示如下] 雪花屏毛玻璃灰度化处理二.使用Qt界面使用到Qt中的UI设计界面设计好界面之后最好先保存对每一个按钮设计槽函数三.图像处理操作完整代码难点在于:Qt是QImage而OpenCV是Mat,需要Mat转QImag
OpenCV图像处理之自定义滤波

目录 1 空间滤波 1.1 滤波过程 1.2 相关和卷积 2 OpenCV 函数 2.1 filter2D 函数 2.2 flip 函数 3 代码示例 3.1 偏导数参考资料总结图像处理中,"空间域" 指的是图像平面,因此,空间滤波可定义为:在图像平面内对像素灰度值进行的滤波 1 空间滤波 1.1 滤波过程如图,Filter 是一个 3x3 滤波核,当它从图像的左上角开始,逐个像素沿水平方向扫描,最后到右下角时,便会产生滤波后的图像假设输入图像 $f(x, y)$,滤波后的图
Java OpenCV图像处理之背景切换

目录实现步骤函数详解示例代码效果图实现步骤 1 读取原图片 2 获取原图片的mask 3 获取原图片需要获取的ROI 4 获取新背景的mask 5 融合 3,5 函数详解示例代码 package com.xu.opencv; import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.core.Scalar; import org.opencv.highgui.HighGui; import o
Java OpenCV图像处理之SIFT角点检测详解

目录介绍示例代码效果图补充介绍在某些情况下对图像进行缩放后,角点信息可能会丢失,这时候Harri便不能检测到所有的角点.SIFT(scale-invariant feature transform) 刚好克服了这个问题,对图像特征的检测,尽量不受图像尺寸变化的影响．SIFT并不直接检测关键点. 其中关键点的检测是由DOG(Difference of Gaussians)检测完成的(DOG是通过不同的高斯滤波器对同一张图像进行处理,来得到关键点的).SIFT仅通过特征向量来描述特征点周
Java OpenCV图像处理之自定义图像滤波算子

目录示例代码效果图示例代码 package com.xu.image; import java.io.File; import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.core.Point; import org.opencv.highgui.HighGui; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Img
python opencv 图像处理之图像算数运算及修改颜色空间

目录 1.图像加法 1.1Numpy加法 1.2OpenCV加法 2.图像融合 3.改变颜色空间 1.图像加法图像加法有两种方式,一种是通过 Numpy 直接对两个图像进行相加,另一种是通过 OpenCV 的 add() 函数进行相加. 不管使用哪种方法,相加的两个图像必须具有相同的深度和类型,简单理解就是图像的大小和类型必须一致. 1.1Numpy加法 Numpy 的运算方法是: img = img1 + img2 ,然后再对最终的运算结果取模. 当最终的像素值 <= 255 时,则运算结果