代码

ImageSpaceProcessing.ipynb

  1. #读取
  2. import cv2, math
  3. import numpy as np
  4. import matplotlib.pyplot as plt
  5. ## 定义图像目录
  6. image_directory = 'D:\\PyDev\\CVHomework\\images\\'
  7. # 图像读取
  8. imgname = image_directory + 'lena.jpg'
  9. img = cv2.imread(imgname)
  11. # 图像显示在一个新的名字为'image'的窗口中，如果看不到，在任务栏中把窗口恢复后观察图像，在窗口中按任意键关闭窗口
  12. cv2.imshow('image',img)
  13. cv2.waitKey(0)
  14. cv2.destroyAllWindows()

1. 直方图均衡化

灰度均衡化

  1. # 计算直方图
  2. grayimg = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)            # 彩色图像转化为灰度图像
  3. hist = cv2.calcHist([grayimg], [0], None, [256], [0, 256])   # 仅对 0 通道
  5. # 显示直方图
  6. r_hist = plt.hist(grayimg.ravel(), bins=256, color='b')
  7. plt.xlim([0, 255])
  8. plt.show()
  10. # 显示灰度图像
  11. cv2.imshow('grayimage',grayimg)
  13. # 直方图均衡化
  14. dstimg = cv2.equalizeHist(grayimg)
  16. # 显示均衡化的图像
  17. cv2.imshow('image',dstimg)
  18. cv2.waitKey(0)
  19. cv2.destroyAllWindows()

image.pngimage.png

彩色直方图均衡化 - 1

  1. # 图像读取
  2. imgname = image_directory + 'lena.jpg'
  3. img = cv2.imread(imgname)
  5. # Python 中成对使用三个引号，可以写大段的跨行注释
  6. """
  7. YUV色彩空间是把亮度（Luma）与色度（Chroma）分离，彩色电视采用的图像表示方法
  8. “Y”表示亮度，也就是灰度值
  9. “U”表示蓝色通道与亮度的差值
  10. “V”表示红色通道与亮度的差值
  11. 对彩色图像进行直方图均衡化时，先将图像从BGR空间转到YUV空间，然后对亮度Y通道进行直方图均衡化，然后再转换回BGR空间
  13. """
  14. img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
  16. # equalize the histogram of the Y channel
  17. img_yuv[:,:,0] = cv2.equalizeHist(img_yuv[:,:,0])
  19. # convert the YUV image back to RGB format
  20. img_output = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR)
  22. cv2.imshow('Color input image', img)
  23. cv2.imshow('Histogram equalized', img_output)
  25. cv2.waitKey(0)
  26. cv2.destroyAllWindows()

image.pngimage.png

彩色均衡化 - 2

  1. # 图像读取
  2. imgname = image_directory + 'lena.jpg'
  3. img = cv2.imread(imgname)
  5. """
  6. OpenCV 中有HSV空间，和HSI空间比，取值范围不同： 0-180， 0-255， 0-255
  7. 先转换到HSV空间
  8. 在V通道进行直方图均衡化
  9. 再转换回BGR空间
  10. """
  11. hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
  13. # equalize the histogram of the V channel
  14. hsv[:,:,2] = cv2.equalizeHist(hsv[:,:,2])
  16. # convert  back to BGR
  17. img_output = cv2.cvtColor(hsv,cv2.COLOR_HSV2BGR)
  19. cv2.imshow('Color input image', img)
  20. cv2.imshow('Histogram equalized', img_output)
  22. cv2.waitKey(0)
  23. cv2.destroyAllWindows()

2. 图像平滑

2.1 平均

  1. # 图像读取
  2. imgname = image_directory + 'lena.jpg'
  3. img = cv2.imread(imgname)
  5. # 在5x5模版下进行图像平均, 该模版是  5x5个1,再除以25
  6. blur = cv2.blur( img,(5,5))
  7. # 显示原图像
  8. cv2.imshow('srcimage',img)
  9. # 显示结果图像
  10. cv2.imshow('resimage',blur)
  12. cv2.waitKey(0)
  13. cv2.destroyAllWindows()

2.2 高斯滤波

  1. # 图像读取
  2. imgname = image_directory + 'lena.jpg'
  3. img = cv2.imread(imgname)
  5. # 在5x5模版下进行图像平均, 该模版是  5x5个1,再除以25
  6. blur = cv2.blur( img,(5,5))
  7. # 显示原图像
  8. cv2.imshow('srcimage',img)
  9. # 显示结果图像
  10. cv2.imshow('resimage',blur)
  12. cv2.waitKey(0)
  13. cv2.destroyAllWindows()

2.3 中值滤波

  1. # 中值滤波， 参数确定模版的大小：5x5
  2. blur = cv2.medianBlur(img,5)
  3. # 显示原图像
  4. cv2.imshow('srcimage',img)
  5. # 显示结果图像
  6. cv2.imshow('resimage',blur)
  7. # 等待按下一个键
  8. cv2.waitKey(0)
  10. # 模版增大 5-->9
  11. blur = cv2.medianBlur(img,9)
  12. cv2.imshow('resimage',blur)
  13. # 等待按下一个键
  14. cv2.waitKey(0)
  16. # 模版增大 9-->15
  17. blur = cv2.medianBlur(img,15)
  18. cv2.imshow('resimage',blur)
  19. # 等待按下一个键
  20. cv2.waitKey(0)
  22. # 关闭所有窗口
  23. cv2.destroyAllWindows()

3. 图像梯度

  1. # 图像读取
  2. imgname = image_directory + 'lena.jpg'
  3. bgrimg = cv2.imread(imgname)
  4. img = cv2.cvtColor(bgrimg, cv2.COLOR_BGR2GRAY) 
  6. # Laplace 算子；  最后一个参数决定图像的深度， -1表示和原图像一样， cv2.CV_64F 64位浮点 cv2.CV_32F 32位浮点
  7. laplacian=cv2.Laplacian(img,cv2.CV_64F)
  9. # 参数1,0 为只在x方向求一阶导数，最大可以求2 阶导数。
  10. sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
  12. # 参数0,1 为只在y方向求一阶导数，最大可以求2 阶导数。
  13. sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
  15. #转换成uint8
  16. abs_lap = cv2.convertScaleAbs( laplacian); 
  17. abs_sobelx = cv2.convertScaleAbs( sobelx); 
  18. abs_sobely = cv2.convertScaleAbs( sobely); 
  19. abs_sobel = cv2.addWeighted( abs_sobelx, 0.5, abs_sobely, 0.5, 0 );
  22. # 同时显示原图像和结果图像
  23. cv2.imshow('srcimage',img )
  24. cv2.imshow('lapimage',abs_lap)
  25. cv2.imshow('simage',abs_sobel)
  27. cv2.waitKey(0)
  28. cv2.destroyAllWindows()

image.png

4. 利用相关进行锐化

  1. # 图像读取
  2. imgname = image_directory + 'saturn.png'
  3. bgrimg = cv2.imread(imgname)
  4. img = cv2.cvtColor(bgrimg, cv2.COLOR_BGR2GRAY) 
  6. # 图像缩小
  7. img = cv2.resize(img, (int(img.shape[1]/4), int(img.shape[0]/4)) )
  9. # 定义模板
  10. kernel = np.array([[0,-1,0],
  11.                    [-1,5,-1],
  12.                    [0,-1,0]])
  15. # 空域相关操作进行滤波
  16. sharpened = cv2.filter2D(img, -1, kernel) 
  18. cv2.imshow('srcimage',img )
  19. cv2.imshow('shpimage',sharpened)
  21. cv2.waitKey(0)
  22. cv2.destroyAllWindows()
  1. # 图像读取
  2. imgname = image_directory + 'saturn.png'
  3. bgrimg = cv2.imread(imgname)
  4. img = cv2.cvtColor(bgrimg, cv2.COLOR_BGR2GRAY) 
  6. # 图像缩小
  7. img = cv2.resize(img, (int(img.shape[1]/4), int(img.shape[0]/4)) )
  9. # 定义模板
  10. kernel = np.array([[0,-1,0],
  11.                    [-1,5,-1],
  12.                    [0,-1,0]])
  15. # 空域相关操作进行滤波
  16. sharpened = cv2.filter2D(img, -1, kernel) 
  18. cv2.imshow('srcimage',img )
  19. cv2.imshow('shpimage',sharpened)
  21. cv2.waitKey(0)
  22. cv2.destroyAllWindows()
  1. # 图像读取
  2. imgname = image_directory + 'word.png'
  3. bgrimg = cv2.imread(imgname)
  4. img = cv2.cvtColor(bgrimg, cv2.COLOR_BGR2GRAY) 
  6. # 定义模板
  7. kernel = np.array([[-1,-1,-1,-1,-1], 
  8.                    [-1, 2, 2, 2,-1], 
  9.                    [-1, 2, 8, 2,-1], 
  10.                    [-1, 2, 2, 2,-1], 
  11.                    [-1,-1,-1,-1,-1]]) / 8.0 
  14. # 空域相关操作进行滤波
  15. sharpened = cv2.filter2D(img, -1, kernel) 
  17. cv2.imshow('srcimage',img )
  18. cv2.imshow('shpimage',sharpened)
  20. cv2.waitKey(0)
  21. cv2.destroyAllWindows()

image.pngimage.png

5. 利用相关进行滤波，检测不同的边

  1. # 图像读取
  2. imgname = image_directory + 'House.tiff'
  3. bgrimg = cv2.imread(imgname)
  4. img = cv2.cvtColor(bgrimg, cv2.COLOR_BGR2GRAY) 
  6. # 定义模板
  8. kernel_emboss_1 = np.array([[0,-1,-1], 
  9.                             [1,0,-1], 
  10.                             [1,1,0]])/3.0
  11. kernel_emboss_2 = np.array([[-1,-1,0], 
  12.                             [-1,0,1], 
  13.                             [0,1,1]])/3.0
  14. kernel_emboss_3 = np.array([[1,0,0], 
  15.                             [0,0,0], 
  16.                             [0,0,-1]])
  19. # 空域滤波
  20. k1 = cv2.filter2D(img, cv2.CV_32F, kernel_emboss_1)
  21. k2 = cv2.filter2D(img, cv2.CV_32F, kernel_emboss_2) 
  22. k3 = cv2.filter2D(img, cv2.CV_32F, kernel_emboss_3)
  23. absk1 = cv2.convertScaleAbs( k1)+88
  24. absk2 = cv2.convertScaleAbs( k2)+88
  25. absk3 = cv2.convertScaleAbs( k3)+88
  28. cv2.imshow('srcimage',img )
  30. cv2.imshow('k1image',absk1)
  31. cv2.imshow('k2image',absk2)
  32. cv2.imshow('k3image',absk3)
  34. cv2.waitKey(0)
  35. cv2.destroyAllWindows()

image.png

知识点

3.1 背景知识

3.2基本灰度变换

  1. 灰度变换函数 s=T(r)

  2. 反转变换
  3. 对数变换与指数变换
    1. 对数：低灰度区域拓展
    2. 指数：高灰度区域拓展
  4. 幂次变换
    1. γ校正

  5. 分段线性形函数

    3.3 直方图处理

    image.pngimage.png

    3.4算数逻辑增强

  6. 算术逻辑操作

  7. 图像平均

    3.5空域滤波器


    1. 相关概念

image.png
空域滤波过程
image.png
image.png

  1. 平滑空间滤波器
    1. 目的：消除噪声、 去除太小的细节或将目标内的小间断连接起来实现模糊
    2. 方法：
      1. 平均
        1. 邻域平均法
        2. 加权邻域平均法
        3. 阈值邻域平均法
      2. 中值滤波
        1. 用一个含有奇数点的滑动窗口，将邻域中的像素按灰度级排序，取其中间值为输出像素
        2. 抑制图像随机脉冲噪声的同时不使边缘模糊。但对于线、尖顶等细节多的图像不宜采用中值滤波。
        3. 运算速度快，便于实时处理
      3. 图像锐化
      4. 边缘检测：
        1. 步骤：滤波、增强、检测
        2. Marr算法
        3. Canny边缘检测
      5. 边缘检测评价

课件

机器视觉-第3章-空间域图像增强.pdf
机器视觉-第3章-空间域图像增强-2.pdf