OpenCV基本的圖像處理

參考資料：

參考視頻

視頻參考資料:鏈接: https://pan.baidu.com/s/1_DJTOerxpu5_dSfd4ZNlAA 提取碼: 8v2n

相關代碼

概述：

? ? ? ? 因為本人是用于機器視覺的圖像處理，所以只記錄了OpenCV的形態學操作和圖像平滑處理兩部分

形態學操作：

? ? ? ? 形態學操作主要包括：膨脹和腐蝕、開閉運算、黑帽和禮帽

膨脹和腐蝕

腐蝕和膨脹是最基本的形態學操作，腐蝕和膨脹都是針對白色部分（高亮部分）而言的。
膨脹就是使圖像中高亮部分擴張，效果圖擁有比原圖更大的高亮區域；
腐蝕是原圖中的高亮區域被蠶食，效果圖擁有比原圖更小的高亮區域
膨脹是求局部最大值的操作，腐蝕是求局部最小值的操作。

腐蝕

1. 原理

????????具體操作是：用一個結構元素掃描圖像中的每一個像素，用結構元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0。

????????如下圖所示，結構A被結構B腐蝕后：

腐蝕的作用是消除物體邊界點，使目標縮小，可以消除小于結構元素的噪聲點。

2. API：

 cv.erode(img,kernel,iterations)

參數：

img: 要處理的圖像
kernel: 核結構
iterations: 腐蝕的次數，默認是1

膨脹

1. 原理

????????具體操作是：用一個結構元素掃描圖像中的每一個像素，用結構元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為0，則該像素為0，否則為1。

????????如下圖所示，結構A被結構B腐蝕后：

膨脹的作用是將與物體接觸的所有背景點合并到物體中，使目標增大，可添補目標中的孔洞。

2. API

 cv.dilate(img,kernel,iterations)

參數：

img: 要處理的圖像
kernel: 核結構
iterations: 腐蝕的次數，默認是1

示例

import matplotlib
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 讀取圖像
img = cv.imread("./image/image3.png")
# 2 創建核結構
kernel = np.ones((5, 5), np.uint8)# 3 圖像腐蝕和膨脹
erosion = cv.erode(img, kernel) # 腐蝕
dilate = cv.dilate(img,kernel) # 膨脹# 4 圖像展示
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(10,8),dpi=100)
axes[0].imshow(img)
axes[0].set_title("原圖")
axes[1].imshow(erosion)
axes[1].set_title("腐蝕后結果")
axes[2].imshow(dilate)
axes[2].set_title("膨脹后結果")
plt.show()

開閉運算?

開運算和閉運算是將腐蝕和膨脹按照一定的次序進行處理
但這兩者并不是互為逆運算，即先開后閉并不能得到原來的圖像。

開運算

原理：?先腐蝕后膨脹
作用：
- 1.?分離物體，消除小區域
- 2.?消除噪點，去除小的干擾塊，而不影響原來的圖像。

閉運算?

原理：先膨脹后腐蝕
作用：
- 是消除/“閉合”物體里面的孔洞
- 可以填充閉合區域

?API

cv.morphologyEx(img, op, kernel)

參數：

img: 要處理的圖像
op: 處理方式：若進行開運算，則設為cv.MORPH_OPEN，若進行閉運算，則設為cv.MORPH_CLOSE
Kernel：核結構

示例

import matplotlib
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 讀取圖像
img1 = cv.imread("./image/image5.png")
img2 = cv.imread("./image/image6.png")
# 2 創建核結構
kernel = np.ones((10, 10), np.uint8)
# 3 圖像的開閉運算
cvOpen = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel) # 開運算
cvClose = cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel)# 閉運算
# 4 圖像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原圖")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("開運算結果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原圖")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("閉運算結果")
plt.show()

黑帽禮帽

? ? ? ? 黑帽和禮帽運算通常是用來得到圖形的輪廓的

禮帽運算

?原理：原圖和開運算之差
?作用：得到比原圖輪廓更明亮的輪廓，效果和核大小有關
?用來分離比鄰近點亮一些的斑塊

黑帽運算

?原理：原圖和閉運算之差
?作用：得到比原圖輪廓更明暗的輪廓，效果和核大小有關
?用來分離比鄰近點暗一些的斑塊

API

cv.morphologyEx(img, op, kernel)

參數：

img: 要處理的圖像
op: 處理方式：

Kernel：核結構

示例

import matplotlib
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 讀取圖像
img1 = cv.imread("./image/image5.png")
img2 = cv.imread("./image/image6.png")
# 2 創建核結構
kernel = np.ones((10, 10), np.uint8)
# 3 圖像的禮帽和黑帽運算
cvOpen = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel) # 禮帽運算
cvClose = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel)# 黑帽運算
# 4 圖像顯示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img1)
axes[0,0].set_title("原圖")
axes[0,1].imshow(cvOpen)
axes[0,1].set_title("禮帽運算結果")
axes[1,0].imshow(img2)
axes[1,0].set_title("原圖")
axes[1,1].imshow(cvClose)
axes[1,1].set_title("黑帽運算結果")
plt.show()

圖像平滑：

噪聲的分類

椒鹽噪聲

隨機的黑點或白點

高斯噪聲?

顏色或灰度值隨機，位置隨機的彩色斑點
通常灰度值符合高斯分布

?噪聲的處理

均值濾波

原理：將核區域內的灰度值進行平均，來代替中心元素

優點：速度快

缺點：去除噪點的效果很差，且被處理的圖像會變得模糊

?API

cv.blur(src, ksize, anchor, borderType)

參數:

src：輸入圖像
ksize：卷積核的大小
anchor：默認值 (-1,-1) ，表示核中心
borderType：邊界類型

相關代碼：

import cv2 as cv
import matplotlib
import numpy as np
from matplotlib import pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 圖像讀取
img = cv.imread('./image/dogsp.jpeg')
# 2 均值濾波
blur = cv.blur(img,(5,5))
# 3 圖像顯示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原圖')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('均值濾波后結果')
plt.xticks([]), plt.yticks([])
plt.show()

高斯濾波

以當前像素點為中心，以所規定的核為單位，根據與中心點距離獲得權重，核中所有像素點權重和為1

然后每個像素點的灰度值*權重

然后9個點的結果相加，就是中心點的灰度值
高斯濾波對高斯噪聲效果比較好，但是對椒鹽噪聲效果一般

API：

cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)

參數：

src: 輸入圖像
ksize:高斯卷積核的大小，注意?：卷積核的寬度和高度都應為奇數，且可以不同
sigmaX: 水平方向的標準差
sigmaY: 垂直方向的標準差，默認值為0，表示與sigmaX相同
borderType:填充邊界類型

示例：

import cv2 as cv
import matplotlib
import numpy as np
from matplotlib import pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 圖像讀取
img = cv.imread('./image/dogGauss.jpeg')
# 2 高斯濾波
blur = cv.GaussianBlur(img,(3,3),1)
# 3 圖像顯示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原圖')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('高斯濾波后結果')
plt.xticks([]), plt.yticks([])
plt.show()

中值濾波

取中心點所在核的灰度值的中值，作為中心點新的灰度值

中值濾波對椒鹽噪聲尤為有效，是處理椒鹽噪聲的首選之一

API

cv.medianBlur(src, ksize )

?示例

import cv2 as cv
import matplotlib
import numpy as np
from matplotlib import pyplot as plt
# 支持中文
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
# 1 圖像讀取
img = cv.imread('./image/dogsp.jpeg')
# 2 中值濾波
blur = cv.medianBlur(img,5)
# 3 圖像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原圖')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('中值濾波后結果')
plt.xticks([]), plt.yticks([])
plt.show()