滤波和卷积
图像阈值处理
原始图像
其中 红色线为阈值
二进制阈值化
小于阈值的——0
大于阈值的——255
反二进制阈值化
小于阈值的——255
大于阈值的——0
截断阈值化
小于阈值的——本身
大于阈值的——取阈值
反阈值化为0
小于阈值的——本身
大于等于阈值的——0
阈值化为0
小于阈值的——0
大于等于阈值的——本身
实现：threshold
retval, dst = cv2.threshold(src, thresh, maxval, type)
retval：阈值dst：处理结果src：源图像threshold：阈值maxval：最大值，例如：1、255type：类型cv2.THRESH_BINARY- 二进制阈值化
- 不一定是0和1，也可以是其他两个值
cv2.THRESH_BINARY_INV- 反二进制阈值化
cv2.THRESH_TRUNC- 截断阈值化
cv2.THRESH_TOZERO_INV- 反阈值化为0
cv2.THRESH_TOZERO- 阈值化为0
图像平滑处理
均值滤波
- 任意一点的像素，都是周围N*N个像素值的均值
- 函数
blur处理结果 = cv2.blur(原始图像, 核心大小)- 核大小：以（宽度，高度）形式表示的元组
- 例：
r = cv2.blur(o, (5,5))
方框滤波
- 函数
boxFilter处理结果 = cv2.boxFilter(原始图像, 目标图像深度, 核大小, normalize属性)- 目标图像深度：int类型的目标图像深度。通常使用“-1”表示与原始图像一致
- 核大小：以（宽度，高度）形式表示的元组
- normalize属性：是否对目标图像进行归一化处理
- 例：
r=cv2.boxFilter(o, -1, (5,5), normalize=1) - 注意：不进行归一化，可能会溢出，（全白）
高斯滤波
- 让临近的像素具有更高的重要度。对周围像素计算加权平均值，较近的像素具有较大的权重值
- 函数
GaussianBlur函数dst = cv2.GaussianBlur(src, ksize, sigmaX)src：原始图形ksiez：核大小(N,N)（必须是奇数）sigmaX：X方向方差，控制权重
- 例：
r=cv2.GaussianBlur(o, (3,3), 0)
中值滤波
- 让临近的像素按照大小排列，取排序像素集中位于中间位置的值作为中值滤波后的像素值
- 函数
medianBlur dst = cv2.medianBlur(src, ksize)src：源文件ksize：核大小（必须是比1大的奇数，如3、5、7等）
- 例：
r = cv2.medianBlur(o, 3)
图像梯度
sobel算子
- 水平方向梯度
- 垂直方向边界
- 两个方向的梯度计算
- 函数：
dst = cv2.Sobel(src, ddepth, dx, dy, [ksize])dst：计算结果src：原始图像ddepth：处理结果图像深度- 通常情况下，可以将该参数的值设置为-1，让处理结果与原始图像保持一致
- 实际操作中，计算梯度值可能会出现负数。通常处理的图像是
np.uint8类型，如果结果也是该类型，所有负数会自动横断为0，发生信息丢失。所以，通常计算时，使用更高的数据类型cv2.CV_64F，取绝对值后，再转换为np.uint8(cv2.CV_8U)类型 dst = cv2.convertScaleAbs(src[, alpha[, beta]])- 作用：将原始图像
src转换为256色位图 - 例：
目标图像 = cv2.convertScaleAbs(原始图像)
- 作用：将原始图像
dx：x轴方向dy：y轴方向- 计算x方向梯度：【
dx=1, dy=0】 - 计算y方向梯度：【
dx=0, dy=1】 - 两个方向梯度：推荐方式2
- 函数
dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)- 功能：计算两幅图像的权重和
dst：计算结果src1：源图像1alpha：源图像1的系数src2：源图像2beta：源图像2的系数gamma：修正值- 关系
- 例：
dst = cv2.addWeighted(src1, 0.5, src2, 0.5, 0)
- 函数
- 计算x方向梯度：【
ksize：核大小
- 操作
import cv2
import numpy as np
o = cv2.imread("D:\\data\\Code\\PycharmProjects\\helloworld\\lena.jpg", cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(o, cv2.CV_64F, 1, 0)
sobely = cv2.Sobel(o, cv2.CV_64F, 0, 1)
sobelx = cv2.convertScaleAbs(sobelx) # 转回uint8
sobely = cv2.convertScaleAbs(sobely) # 转回uint8
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)
sobelxy11 = cv2.Sobel(o, cv2.CV_64F, 1, 1)
cv2.imshow("ori", o)
cv2.imshow("xy", sobelxy)
cv2.imshow("xy11", sobelxy11)
cv2.waitKey()
cv2.destroyAllWindows()
- 效果
scharr算子
- 使用3*3的sobel算子时，可能不太请准。scharr算子，效果更好（系数不一样）
- 函数
dst = Scharr(src, ddpeth, dx, dy)dst：计算结果src：原始图像ddepth：处理结果图像深度（具体如sobel算子一样）
dx：x轴方向dy：y轴方向
- 等价于
dst = Sobel(src, ddpeth, dx, dy, -1)
- 操作
import cv2
import numpy as np
o = cv2.imread("D:\\data\\Code\\PycharmProjects\\helloworld\\lena.jpg", cv2.IMREAD_GRAYSCALE)
scharrx = cv2.Scharr(o, cv2.CV_64F, 1, 0)
scharry = cv2.Scharr(o, cv2.CV_64F, 0, 1)
scharrx = cv2.convertScaleAbs(scharrx) # 转回uint8
scharry = cv2.convertScaleAbs(scharry) # 转回uint8
scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0)
cv2.imshow("ori", o)
cv2.imshow("x", scharrx)
cv2.imshow("y", scharry)
cv2.imshow("xy", scharrxy)
cv2.waitKey()
cv2.destroyAllWindows()
- 效果
laplacian算子
- 拉普拉斯算子类似二阶sobel导数。实际上，在OpenCV中，通过调用sobel算子来计算拉普拉斯算子。使用公式如下：
- 使用的卷积核为：P5new = (P2+P4+P6+P8)-4*P5
- 例：
- 三个算子对比
- 函数
dst = cv2.Laplacian(src, ddepth)dst：结果图像src：原始图像ddepth：图像深度（跟sobel算子一样，需要转换）
- 操作
import cv2
import numpy as np
o = cv2.imread("D:\\data\\Code\\PycharmProjects\\helloworld\\lena.jpg", cv2.IMREAD_GRAYSCALE)
laplacian = cv2.Laplacian(o, cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian) # 转回uint8
cv2.imshow("ori", o)
cv2.imshow("x", laplacian)
cv2.waitKey()
cv2.destroyAllWindows()
- 效果
图像形态学
图像腐蚀
- 形态学转换主要针对的是二值图像
- 两个输入对象
- 对象1：二值图像
- 对象2：卷积核
- 卷积核的中心点逐个像素扫描原始图像
- 被扫描到的原始图像中的像素点，只有当卷积核对应的元素值均为1时，其值才为1，否则值为0
- 函数
dst = cv2.erode(src, kernel, iterations)dst：处理结果src：源图像kernel：卷积核- 例：
kernel = np.ones((5, 5), np.uint8)
- 例：
iterations：迭代次数（默认情况下，迭代次数是1）
图像礼帽（图像顶帽）
- 礼帽图像 = 原始图像 - 开运算图像
- 得到噪声图像
- 函数
res = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)res：礼帽结果img：源图像cv2.MORPH_TOPHAT：礼帽kernel：卷积核- 例：
kernel = np.ones((5, 5), np.uint8)
- 例：
图像黑帽
- 黑帽图像 = 闭运算图像 - 原始图像
- 得到图像内部的小孔，或前景色中的小黑点
- 函数
res = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)res：礼帽结果img：源图像cv2.MORPH_BLACKHAT：黑帽kernel：卷积核- 例：
kernel = np.ones((5, 5), np.uint8)
- 例：
