OpenCV（8）像素归一化、图像二值化 C++

1.（cv :: normalize）范数归一化

归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。

CV_EXPORTS_W void normalize( InputArray src, InputOutputArray dst, double alpha = 1, double beta = 0,
                             int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());

src：原始数组（向量）或者矩阵（将其展开当作数组）.
dst：归一化后的结果
alpha：要归一化的范数值或者为范围归一化的下边界
beta：范围归一化的的下边界，在范数归一化时不会使用
norm_type：归一化类型，有NORM_INF(无穷范数)，NORM_L1（1范数），NORM_INFL2（2范数），NORM_MINMAX（范围归一化）
dtype：为负值时,输出数据类型和输入数据类型一致，否则和src通道一致，depth =CV_MAT_DEPTH(dtype).
mask：可选的MASK

1.1.归一化选择的数学公式类型介绍（norm_type）

这个函数提供了四种归一化方式，可根据需要选择以下四个参数，下面重点说下这四种归一化方式。

- NORM_MINMAX: 数组的数值被平移或缩放到一个指定的范围，线性归一化。

在这里插入图片描述

- NORM_INF: 归一化数组的（切比雪夫距离）L∞范数(绝对值的最大值)

在这里插入图片描述

- NORM_L1 : 归一化数组的（曼哈顿距离）L1-范数(绝对值的和)

在这里插入图片描述

- NORM_L2: 归一化数组的(欧几里德距离)L2-范数

在这里插入图片描述
举例说明:
src={10, 23, 71}
NORM_L1 运算后得到： dst={0.096, 0.221, 0.683}
NORM_INF 运算后得到： dst={0.141, 0.324, 1}
NORM_L2 运算后得到： dst={0.133, 0.307, 0.947}
NORM_MINMAX 运算得到： dst={0, 0.377, 1}

//程序DEMO流程：
//读取图片--》判断并显示图片--》转换为灰度图--》转换为浮点数类型数组--》四种归一化方式
//1）scale and shift by NORM_MINMAX
//2）scale and shift by NORM_INF
//3）scale and shift by NORM_L1
//4）scale and shift by NORM_L2
//--》归一化的范围设置为1.0 - 0
//--》不同的归一化方式结果出来要乘以对应的数值
//--》将结果转换为CV_8UC1
//--》显示图片

#include"opencv2\opencv.hpp"
#include"iostream"

using namespace std;
using namespace cv;

int main(int argc, char** argv)
{
    
    
    Mat src = imread("../data/test2.jpg");
    if (src.empty())
    {
    
    
        printf("Could not load image...\n");
        return -1;
    }
    imshow("srcImg", src);

    Mat src_gray, src_gray_f;
    cvtColor(src, src_gray, COLOR_RGB2GRAY);//转换为灰度图
    src_gray.convertTo(src_gray_f, CV_32F);//转换为浮点数类型数组

    //scale and shift by NORM_MINMAX
    Mat dst = Mat::zeros(src_gray.size(), CV_32FC1);
    normalize(src_gray_f, dst, 1.0, 0, NORM_MINMAX);
    Mat result = dst * 255;
    result.convertTo(dst, CV_8UC1);
    imshow("NORM_MINMAX", dst);

    //scale and shift by NORM_INF
    normalize(src_gray_f, dst, 1.0, 0, NORM_INF);
    result = dst * 255;
    result.convertTo(dst, CV_8UC1);
    imshow("NORM_INF", dst);

    //scale and shift by NORM_L1
    normalize(src_gray_f, dst, 1.0, 0, NORM_L1);
    result = dst * 100000000;
    result.convertTo(dst, CV_8UC1);
    imshow("NORM_L1", dst);

    //scale and shift by NORM_L2
    normalize(src_gray_f, dst, 1.0, 0, NORM_L2);
    result = dst * 10000;
    result.convertTo(dst, CV_8UC1);
    imshow("NORM_L2", dst);

    waitKey(0);
    return 0;
}

执行结果：
在这里插入图片描述

2.改变图像的对比度和亮度：g(i,j)=α⋅f(i,j)+β

在这里插入图片描述

new_image(i,j) = alpha*image(i,j) + beta

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
using namespace std;
using namespace cv;
double alpha; /**< 控制对比度 */
int beta;    /**< 控制亮度 */
int main(int argc, char** argv)
{
    
    
    // 读入用户提供的图像
    Mat image = imread("../data/test2.jpg");
    Mat new_image = Mat::zeros(image.size(), image.type()); //初始像素值等于零，与原始图像相同的大小和类型
    // 初始化
    cout << " Basic Linear Transforms " << endl;
    cout << "-------------------------" << endl;
    cout << "* Enter the alpha value 输入alpha值：[1.0-3.0]: ";
    cin >> alpha;
    cout << "* Enter the beta value 输入beta值：[0-100]: ";
    cin >> beta;
    //要执行我们将访问图像中的每个像素。由于我们使用BGR图像，
    //我们将每像素（B，G和R）有三个值，因此我们也将分别访问它们
    // 执行运算 new_image(i,j) = alpha*image(i,j) + beta
    for (int y = 0; y < image.rows; y++)
    {
    
    
        for (int x = 0; x < image.cols; x++)
        {
    
    
            for (int c = 0; c < 3; c++)
            {
    
    
                new_image.at<Vec3b>(y, x)[c] = saturate_cast<uchar>(alpha * (image.at<Vec3b>(y, x)[c]) + beta);
            }
        }
    }
    namedWindow("Original Image", 1);// 创建窗口
    namedWindow("New Image", 1);// 创建窗口
    imshow("Original Image", image);// 显示图像
    imshow("New Image", new_image);// 显示改变后图像
    waitKey();// 等待用户按键
    return 0;
}

2.1.（cv :: src.convertTo）缩放并转换到另外一种数据类型

我们可以不用 for 循环来访问每个像素，而是直接采用下面这个命令：

src.convertTo(dst, type, scale, shift)

src：img参数为图像数据来源，其类型为Mat。
dst：目的矩阵；
type：需要的输出矩阵类型，或者更明确的，是输出矩阵的深度，如果是负值（常用-1）则输出矩阵和输入矩阵类型相同；
scale：比例因子；
shift：将输入数组元素按比例缩放后添加的值；

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
using namespace std;
using namespace cv;
double alpha; /**< 控制对比度 */
int beta;    /**< 控制亮度 */
int main(int argc, char** argv)
{
    
    
    // 读入用户提供的图像
    Mat image = imread("../data/test3.jpg");
    Mat new_image = Mat::zeros(image.size(), image.type()); //初始像素值等于零，与原始图像相同的大小和类型
    // 初始化
    cout << " Basic Linear Transforms " << endl;
    cout << "-------------------------" << endl;
    cout << "* Enter the alpha value 输入alpha值：[1.0-3.0]: ";
    cin >> alpha;
    cout << "* Enter the beta value 输入beta值：[0-100]: ";
    cin >> beta;
    // 执行运算 new_image(i,j) = alpha*image(i,j) + beta
    //我们可以不用 for 循环来访问每个像素，而是直接采用下面这个命令：
    image.convertTo(new_image, -1, alpha, beta);
    namedWindow("Original Image", 1);// 创建窗口
    namedWindow("New Image", 1);// 创建窗口
    imshow("Original Image", image);// 显示图像
    imshow("New Image", new_image);// 显示改变后图像
    waitKey();// 等待用户按键
    return 0;
}

以上两种方法的执行结果：

 Basic Linear Transforms
-------------------------
* Enter the alpha value 输入alpha值：[1.0-3.0]: 2.2
* Enter the beta value 输入beta值：[0-100]: 50

在这里插入图片描述

3.（cv :: hconcat）和（cv :: vconcat）图像拼接函数

#include <iostream>
#include <core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
using namespace std;
using namespace cv;
int main()
{
    
    
	Mat combine, combine1, combine2;
	Mat a = imread("../data/test2.jpg");
	Mat b = imread("../data/test2.jpg");
	Mat c = imread("../data/test2.jpg");
	Mat d = imread("../data/test2.jpg");
	hconcat(a, b, combine1);	//水平拼接
	hconcat(c, d, combine2);	//水平拼接
	vconcat(combine1, combine2, combine);	//垂直拼接
	namedWindow("Combine", WINDOW_AUTOSIZE);
	imshow("Combine", combine);
	waitKey(0);
	system("pause");
	return 0;
}

执行结果：
在这里插入图片描述

4.图像二值化

图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。

4.1.（cv :: threshold）图像二值化

double threshold( InputArray src,OutputArray dst,double threshold,double maxval,int type );

src：原始数组，可以是Mat类型。
dst：输出数组，必须与 src 的类型一致。
threshold：阈值
maxval：使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值。
type：阈值类型
type=CV_THRESH_BINARY:如果 src(x,y)>threshold ,dst(x,y) = max_value; 否则,dst（x,y）=0;
type=CV_THRESH_BINARY_INV:如果 src(x,y)>threshold,dst(x,y) = 0; 否则,dst(x,y) = max_value.
type=CV_THRESH_TRUNC:如果 src(x,y)>threshold，dst(x,y) = max_value; 否则dst(x,y) = src(x,y).
type=CV_THRESH_TOZERO:如果src(x,y)>threshold，dst(x,y) = src(x,y) ; 否则 dst(x,y) = 0。
type=CV_THRESH_TOZERO_INV:如果 src(x,y)>threshold，dst(x,y) = 0 ; 否则dst(x,y) = src(x,y).

#include "opencv2/imgproc/imgproc.hpp"  
#include "opencv2/highgui/highgui.hpp"  
using namespace cv;
using namespace std;
int main()
{
    
    
	//定义变量
	Mat img = imread("./image/test3.jpg");
	imshow("原图", img);
	//灰度化处理
	cvtColor(img, img, COLOR_BGR2GRAY);
	imshow("灰度化处理", img);
	// 转为二值图  
	threshold(img, img, 100, 255, THRESH_BINARY); 
	//adaptiveThreshold(img, img, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 45, 10);
	imshow("二值化后的图像", img);
	waitKey(0);
	return 0;
}

执行结果：
在这里插入图片描述

4.2.自定义图像二值化

这个语句的意思是，如果阈值小于100，那么中间为真，即像素值小于70的为1，大于70的为0；如果阈值大于100，那么右边为真，即像素值大于70的为1，小于70的为0.

#include "opencv2/imgproc/imgproc.hpp"  
#include "opencv2/highgui/highgui.hpp"  
using namespace cv;
using namespace std;
void main()
{
    
    
	Mat img;
	int threshval = 170;//设定阈值
	Mat result;
	Mat bw = img;
	img = imread("./image/test6.jpg", 0);
	imshow("原图", img);
	bw = threshval < 100 ? (img < 70) : (img > 70);//二值化
	imshow("二值化后的图像", bw);
	waitKey(0);
}

执行结果：
在这里插入图片描述