深入学习Python+Opencv常用四种图像处理操作

目录

• 改变色彩空间: cv.cvtColor()
• 改变图像大小：cv.resize()
• 二维卷积操作
• 常用模糊

opencv图像处理(深度学习中常用的)

改变色彩空间: cv.cvtColor()

cv.cvtColor(img, flag)

• img:原图像
• flag:要改变的类型

常用的flag有：cv.COLOR_BGR2GRAY (BGR->GRAY)、cv.COLOR_BGR2HSV

img = cv.imread(r'E:\0_postgraduate\test.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('img', img)
cv.imshow('img_gray', gray)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
    cv.destroyAllWindows()

我们可以看看flag都有哪些：

flags = [i for i in dir(cv) if i.startswith('COLOR_')]
print( flags )

改变图像大小：cv.resize()

cv.resize(img, (width, height))

• img:原始图像
• width：缩放后图像的宽度
• height：缩放后图像的高度

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_resize = cv.resize(img, (500, 600))
cv.imshow('img shape: {} x {}'.format(img.shape[1], img.shape[0]), img)
cv.imshow('img_resize shape: {} x {}'.format(img_resize.shape[1], img_resize.shape[0]), img_resize)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
    cv.destroyAllWindows()

比如某些网络要求输入的图像必须是固定大小的：256 x 256这么大的，这时就可以用cv.resize()对大小不一的图像进行缩放。

二维卷积操作

cv.filter2D()+轨迹条动态控制图像参数：cv.createTrackbar()、cv.getTrackbarPos()

卷积操作是什么这里就不再介绍了。

cv.filter2D(img, -1, kernel)

• img:原始图像
• -1:这个参数应该是输出图像，没什么用，填-1就行
• kernel:卷积核，一个二维数组

而至于cv.createTrackbar()、cv.getTrackbarPos()，这两个函数可以很方便的动态调节图像的参数，很直观地看到调节的效果：

cv.createTrackbar()

第一个参数是轨迹栏名称

第二个参数是它所属的窗口名称，

第三个参数是默认值，

第四个参数是最大值，

第五个参数是执行的回调函数每次轨迹栏值都会发生变化，即每次滑动轨迹条时都会调用该参数。

cv.getTrackbarPos()

第一个参数是滑动条名字，

第二个时所在窗口，

返回值是滑动条的数值

# cv.createTrackbar() 和 cv.getTrackbarPos()测试

def nothing(*arg):
    pass

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_original = img
cv.namedWindow('image_test')
cv.createTrackbar('kernel_width', 'image_test', 1, 30, nothing)
cv.createTrackbar('kernel_height', 'image_test', 1, 30, nothing)
while 1:
    w = cv.getTrackbarPos('kernel_width', 'image_test')
    h = cv.getTrackbarPos('kernel_height', 'image_test')
    print('w: {} h: {}'.format(w, h))
    if(w!=0 and h!=0):
        kernel = np.ones((w, h), np.float32)/(w*h)
        img = cv.filter2D(img_original, -1, kernel)
        cv.imshow('image_test', img)
    else:
        cv.imshow('image_test', img_original)
    k = cv.waitKey(5)
    if k & 0xFF == ord('q'):
        break
cv.destroyAllWindows()

常用模糊

常用的模糊有平均化模糊：cv.blur()和高斯模糊：cv.GaussianBlur()

(1) cv.blur()

平均化模糊cv.blur()就是让原始图像与一个全1的卷积核做卷积，然后将得到的值除以卷积核中像素的总个数，这么说太绕了，直接上图：

比如我选的卷积核为3x3大小，则原始图像要与如下的卷积核做卷积：

cv.blur(img, (weight, height))

• img:原始图像
• weight:卷积核的宽
• height:卷积核的长

(2) cv.GaussianBlur()

高斯模糊是在平均化模糊基础上的改进，考虑了距离对于中心像素的影响：与中心像素距离越近的像素拥有越高的权重，其实超级简单。高斯模糊的原理可以参考：python实现高斯模糊及原理详解

cv.GaussianBlur(img, (weight, height), sigmaX, sigmaY)

• img:原始图像
• weight:卷积核的宽
• height:卷积核的长
• sigmaX:二维高斯函数x的偏差
• sigmaY:二维高斯函数y的偏差

注意：

核的宽度和高度，应该是正数和奇数。我们还应该指定X和Y方向的标准偏差，分别为sigmaX和sigmaY。如果只指定sigmaX，sigmaY将被视为与sigmaX相同。如果两者都是零，则根据核大小计算。高斯模糊对去除图像中的高斯噪声非常有效。

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_blur = cv.blur(img, (5,5))
img_gaussian = cv.GaussianBlur(img, (5,5), 0)
cv.imshow('image_blur', img_blur)
cv.imshow('image_gaussian', img_gaussian)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
    cv.destroyAllWindows()

到此这篇关于深入学习Python+Opencv常用四种图像处理操作的文章就介绍到这了,更多相关Python Opencv 图像处理内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！