文章目录
- 图像基础
- 重要的函数
- 图像基本知识
- 图像基础
- 通道分离与合并
- 彩色图转换为灰度图
- 二值化
- 图像的加减乘除
图像基础
- 矩阵
- 分辨率
- 8位整型图像
- 浮点数图像
灰度图:
彩色图:
- 通道分离与合并
b, g, r = cv.split(img)img_new = cv.merge([b, g, r])
- 彩色图转灰度图
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
- 二值化图像
_, img_bin = cv.threshold(img_gray, th1, th2, cv.THRESH_BINARY)
- 图像运算
img = cv.add(img1, img2)img = cv.addWeighted(img1, alpha, img2, beta, gamma)img = cv.subtract(img1, img2)img = cv.multiply(img1, img2)img = cv.divide(img1, img2)
- 图像像素非线性变换
img = cv.convertScaleAbs(img, alpha=1, beta=0)
s = b + k r s = b + kr s=b+kr
s = a + l n ( r + 1 ) b s = a + \frac{ln(r+1)}{b} s=a+bln(r+1)
s = c r γ s = cr^\gamma s=crγ
重要的函数
- 图像读取
img = cv.imread()
- 彩色图转灰度图
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
- 二值化图像(灰度图转二值图)
_, img_bin = cv.threshold(img_gray, th1, th2, cv.THRESH_BINARY)
- 保存图像
cv.imwrite('pic/bear_gray.jpg', img_gray)
- 通道分离
b, g, r = cv.split(img)
- 通道合并
img_new = cv.merge([b, g, r])
- 两图像相加、相减、相乘、相除
img = cv.add(img1, img2)img = cv.subtract(img1, img2)img = cv.multiply(img1, img2)img = cv.divide(img1, img2)
图像基本知识
import cv2 as cvimport numpy as npimport matplotlib.pyplot as plt
def show(img): if img.ndim == 2: plt.imshow(img, cmap='gray',vmin=0,vmax=255) else: plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))#cv用的BGR,需要转换为RGB plt.show()
图像基础
A = np.random.randint(0,256,(2,4))A
array([[ 4, 245, 223, 220], [191, 208, 190, 72]])
show(A)
B = np.random.randint(0,256,(2,4,3),dtype=np.uint8)B
array([[[240, 57, 37], [141, 33, 113], [ 50, 252, 5], [125, 23, 206]], [[ 94, 128, 166], [218, 183, 231], [156, 136, 105], [208, 191, 119]]], dtype=uint8)
uint8为8位无符号整数类型,表示范围为[0, 255]
show(B)
A2 = np.float32(A)A2 /= 255show(A2)
通道分离与合并
读取图片
img = cv.imread('./pic/cubic500x500.jpg')show(img)
通道分离
b,g,r = cv.split(img)show(r)
img.shape
(500, 500, 3)
通道合并
img2 = cv.merge([b,g,r])show(img2)
img3 = cv.merge([r,g,b])show(img3)
彩色图转换为灰度图
将三个通道进行加权
gray1 = 1/3*b + 1/3*g + 1/3*rgray1 = np.uint8(gray1)# 或者gray1 = gray1.astype(np.uint8)
利用cv现成的api
gray4 = cv.cvtColor(img, cv.COLOR_BGR2GRAY)show(gray4)
二值化
thresh = 125gray4[gray4 > thresh] = 255gray4[gray4 <= thresh] = 0show(gray4)
利用cv.threshold来进行二值化
show(gray1)
_, img_bin = cv.threshold(gray1, 125, 255, cv.THRESH_BINARY)
show(img_bin)
图像的加减乘除
相加:混合图像、添加噪声cv.add()
相减:消除背景、差影法(比较差异、运动跟踪)cv.subtract()
相乘:掩膜 cv.multiply()
相除:校正设备、比较差异 cv.divide()
np.hstack
将参数元组的元素数组按水平方向进行叠加
np.vstack
将参数元组的元素数组按垂直方向进行叠加
接下来,我们进行代码的实现
obj = cv.imread('./pic/hedgehog500x500.jpg',0)bg = cv.imread('./pic/line500x500.jpg',0)mask = cv.imread('./pic/mask500x500.jpg',0)noise = cv.imread('./pic/hedgehog_noise_500x500.jpg',0)show(np.hstack([obj,bg,mask,noise]))
接下来,我们呢可以图像相加以及图像相减的效果:
图像相加:
img_add = obj + bgshow(img_add)
显然得到的图,并不是我们想要的,这是因为img_add = obj + bg
,两个图的RGB元素相加超过了255时,会重新循环到另外一个值,我们只需要两者都取权重0.5,就可以避免这样的问题
img_add = obj*0.5 + bg*0.5 #img_add = cv.add(obj*0.5,bg*0.5)show(img_add)
print(img_add.dtype)
float64
但是这里注意,obj0.5 + bg0.5后,img_add的数据类型会自动转换为float类型,你也可以使用np.uint8()进行强制转换
但是,调用cv.addWeighted(),就不会出现这样的情况,它会自动的截断
img_add2 = cv.addWeighted(obj,0.5,bg,0.5,0)show(img_add2)
图像相减:
img_sub = np.uint8((img_add - bg*0.5))#img_sub = cv.subtract(img_add,bg*0.5)show(np.hstack([img_sub,img_sub*2]))
图像乘法
# mask /= 255show(np.hstack([obj, mask]))
img_mul = cv.multiply(obj/1.0, mask/255) #cv.multiply只会对同种类型的数据相乘,因此Ob/1.0show(img_mul)
图像相除
# 图像相除show(np.hstack([obj, ob_noise]))
img_div = cv.divide(obj, ob_noise+1)show(img_div)
保存图片
cv.imwrite('pic/img_divide.jpg', np.hstack([obj, noise, img_div]))
True
# 实例bg = cv.imread('pic/petal500x500.jpg')ob = cv.imread('pic/hedgehog500x500.jpg')mask = cv.imread('pic/mask500x500.jpg')show(np.hstack([bg, ob, mask]))
ob_select = np.float32(ob/1.0) * np.float32(mask/255.0)show(np.uint8(ob_select))
bg_select = np.float32(bg/1.0) * np.float32(1-mask/255.0)show(np.uint8(bg_select))
nice = cv.add(ob_select*0.8, bg_select).astype(np.uint8)show(nice)
cv.imwrite('pic/image_mix.jpg', np.hstack([bg, ob, nice]))
True