计算机视觉：图像基本预处理方法，包括图像平移、相似变换、射影变换、阈值与平滑处理

全文预览

熟悉图像的几何变换、仿射变换和透视变换

使用软件：pycharm，主要涉及到的图像操作包括改变RGB通道、调整图像大小、图像平移、图像旋转、图像仿射变换和透视变换等操作。

具体运行结果截图如下。

熟悉图像的平滑处理

涉及到的基本图像平滑处理包括图像的过滤（2D卷积）、图像模糊和高斯模糊等操作。

具体运行结果部分截图如下(从左到右依次是原图、图像模糊、高斯模糊和图像过滤)。

阈值处理

在图像处理中阈值化操作，从一副图像中利用阈值分割出我们需要的物体部分（当然这里的物体可以是一部分或者整体）。这样的图像分割方法是基于图像中物体与背景之间的灰度差异，而且此分割属于像素级的分割。

阈值化操作在图像处理中是一种常用的算法，比如图像的二值化就是一种最常见的一种阈值化操作。这里使用cv.threshold（）阈值处理方法和cv.adaptiveThreshold（）自适应阈值方法来进行一定的图像阈值处理。

具体运行结果截图如下。

cv.threshold（）阈值处理方法

cv.adaptiveThreshold（）自适应阈值方法

练习代码（全）

imgPreprocessing.py

# -*- coding: utf-8 -*-
# @TIME     : 2020/9/28 15:15
# @Author   : Chen Shan
# @Email    : [email protected]
# @File     : imgPreprocessing.py
# @Software : PyCharm
import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# img_np = np.fromfile('mycat.png',dtype = np.uint8)
# img = cv2.imdecode(img_np,-1)

img = cv2.imread('mycat.png')
cv_show('原图',img)

# OpenCV读取的图片从BGR转换为RGB
b, g, r =cv2.split(img)
img2 = cv2.merge([r,g,b])
cv_show('RGB',img2)

res = cv2.resize(img,None,fx=2, fy=2, interpolation = cv2.INTER_CUBIC)
height, width = img.shape[:2]
res = cv2.resize(img,(2*width, 2*height), interpolation = cv2.INTER_CUBIC)
cv_show('缩放',res)

# print(img.shape)
rows,cols,rgb = img.shape
M = np.float32([[1,0,100],[0,1,50]])
dst = cv2.warpAffine(img,M,(cols,rows))
cv_show('平移',dst)

rows,cols,rgb = img.shape
# # cols-1 和 rows-1 是坐标限制
M = cv2.getRotationMatrix2D(((cols-1)/2.0,(rows-1)/2.0),45,1)
dst = cv2.warpAffine(img,M,(cols,rows))
cv_show('旋转',dst)

# 仿射变换
rows,cols,ch = img.shape
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
M = cv2.getAffineTransform(pts1,pts2)
dst = cv2.warpAffine(img,M,(cols,rows))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()

# 透视变换
rows,cols,ch = img.shape
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M = cv2.getPerspectiveTransform(pts1,pts2)
dst = cv2.warpPerspective(img,M,(300,300))
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()

imgPreprocessing2.py

# -*- coding: utf-8 -*-
# @TIME     : 2020/9/28 17:23
# @Author   : Chen Shan
# @Email    : [email protected]
# @File     : imgPreprocessing2.py
# @Software : PyCharm
import cv2
import matplotlib.pyplot as plt
import numpy as np

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

# 2d卷积
# kernel = np.ones((5,5),np.float32)/25
# dst = cv2.filter2D(img,-1,kernel)
#
# plt.subplot(121),plt.imshow(img),plt.title('Original')
# plt.xticks([]), plt.yticks([])
#
# plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
# plt.xticks([]), plt.yticks([])
# plt.show()

# 图像模糊
# blur = cv2.blur(img,(5,5))
#
# plt.subplot(121),plt.imshow(img),plt.title('Original')
# plt.xticks([]), plt.yticks([])
#
# plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
# plt.xticks([]), plt.yticks([])
# plt.show()

# 高斯模糊
# blur = cv2.GaussianBlur(img,(5,5),0)
#
# plt.subplot(121),plt.imshow(img),plt.title('Original')
# plt.xticks([]), plt.yticks([])
#
# plt.subplot(122),plt.imshow(blur),plt.title('Gaussian')
# plt.xticks([]), plt.yticks([])
# plt.show()

imgPreprocessing3.py

# -*- coding: utf-8 -*-
# @TIME     : 2020/9/28 17:51
# @Author   : Chen Shan
# @Email    : [email protected]
# @File     : imgPreprocessing3.py
# @Software : PyCharm
import cv2
import matplotlib.pyplot as plt

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

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#plt.imshow(img_gray)
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 = ['original','Binary','Binary_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
    #print(i)
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

# 自适应阈值
img_gray = cv2.medianBlur(img_gray,5)  #均值滤波
ret,th1 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img_gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(img_gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img_gray, th1, th2, th3]

for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

唧唧歪歪

开始上课睡觉模式，这样不好不好，去网络上重新找了一张史努比的照片，毕竟不能偏爱猫猫，你说是不，不过好像呢，显示的有点问题（说实在的没什么违和感，老师应该也不会在意的吧，我也就没改（哈哈哈哈哈好吧就是懒）效果还很很明显的呢

886，继续加油