OpenCV学习+常用函数记录②:图像卷积与滤波

215
0
2020年12月5日 09时05分

OpenCV 图像卷积

2.1 图像卷积

2.2 均值滤波

2.3 中值滤波

2.4 高斯模糊

2.5 Sobel算子

2.6 拉普拉斯算子

2.7 Canny边缘检测算法

2.8 双边滤波

2.9 锐化滤波

最近因项目需要加上自己的兴趣,需要用一些opencv相关的东西,虽然之前零零碎碎学习过一些,但是很久不用就忘了,打算写篇文章总结一下学习的过程以及一些常用的函数。类似的博文有很多,但还是觉得自己总结一编印象深一些。

2.1 图像卷积

OpenCV学习+常用函数记录②:图像卷积与滤波插图

dst = cv.filter2D(图像, -1, kernel)

 

2.2 均值滤波

核心API:cv.blur(图像,卷积核)

 

2.3 中值滤波

核心API:cv.medianBlur(图像,卷积核)

 

2.4 高斯模糊

核心API:cv.GaussianBlur(图像, (卷积核), 标准差)

 

代码示例

import cv2 as cv
import numpy as np
kernel = np.ones((3, 3), np.float32)/9
print kernel
src = cv.imread("../img/salt.jpg")
cv.imshow("src", src)
dst = cv.filter2D(src, -1, kernel)                    # 均值滤波
cv.imshow("dst", dst)
dst2 = cv.blur(src, (3, 3))                                # 均值滤波
cv.imshow("dst2", dst2)
dst3 = cv.medianBlur(src, 5)                        # 中值滤波
cv.imshow("dst3", dst3)
dst4 = cv.GaussianBlur(src, (3, 3), 5)        # 高斯模糊
cv.imshow("dst4", dst4)
cv.waitKey()

2.5 Sobel算子

 

Sobel算子是像素图像边缘检测 中最重要的算子之一,它是一个离散的一阶差分算子,用来计算图像亮度函数的一阶梯度之近似值。

 

在图像的任何一点使用此算子,将会产生该点对应的 梯度矢量

import cv2 as cv
src = cv.imread("../img/brain.jpg")
# sobel算子  参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数
x_sobel = cv.Sobel(src, cv.CV_32F, 1, 0)
# 将图像转成8位int
x_sobel = cv.convertScaleAbs(x_sobel)
# sobel算子  参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数
y_sobel = cv.Sobel(src, cv.CV_16S, 0, 1)
# 将图像转成8位int
y_sobel = cv.convertScaleAbs(y_sobel)
# 将x,y方向的内容叠加起来
xy_sobel = cv.addWeighted(x_sobel, 0.5, y_sobel, 0.5, 0)
cv.imshow("src", src)
cv.imshow("x_sobel", x_sobel)
cv.imshow("y_sobel", y_sobel)
cv.imshow("xy_sobel", xy_sobel)
cv.waitKey()

 

由于使用Sobel算子计算的时候有一些偏差, 所以opencv提供了sobel的升级版Scharr函数,计算比sobel更加精细.

 

import cv2 as cv
img = cv.imread("../img/brain.jpg",cv.IMREAD_GRAYSCALE)
cv.imshow("src",img)
# sobel算子
x_scharr = cv.Scharr(img, cv.CV_32F, 1, 0)
# 将图像转成8位int
x_scharr = cv.convertScaleAbs(x_scharr)
cv.imshow("x scharr",x_scharr)
# # sobel算子
y_scharr = cv.Scharr(img, cv.CV_16S, 0, 1)
# 将图像转成8位int
y_scharr = cv.convertScaleAbs(y_scharr)
cv.imshow("y scharr",y_scharr)
# 将x,y方向的内容叠加起来
xy_scharr = cv.addWeighted(x_scharr, 0.5, y_scharr, 0.5,0)
cv.imshow("x,y scharr",xy_scharr)
cv.waitKey(0)
cv.destroyAllWindows()

2.6 拉普拉斯算子

 

通过拉普拉斯变换后增强了图像中灰度突变处的对比度,使图像中小的细节部分得到增强,使图像的细节比原始图像更加清晰。

 

import cv2 as cv
img = cv.imread("../img/hehua.jpg", cv.IMREAD_GRAYSCALE)
# 使用拉普拉斯算子
dst = cv.Laplacian(img, cv.CV_32F)
# 取绝对值,将数据转到uint8类型
dst = cv.convertScaleAbs(dst)
cv.imshow("src", img)
cv.imshow("dst", dst)
cv.waitKey(0)
cv.destroyAllWindows()

2.7 Canny边缘检测算法

 

Canny算法一种多阶段算法,内部过程共4个阶段:

 

1.噪声抑制(通过Gaussianblur高斯模糊降噪):使用5×5高斯滤波器去除图像中的噪声

 

2.查找边缘的强度及方向(通过Sobel滤波器)

 

3.应用非最大信号抑制(Non-maximum Suppression): 完成图像的全扫描以去除可能不构成边缘的任何不需要的像素

 

4.高低阈值分离出二值图像(Hysteresis Thresholding)

 

5.高低阈值比例为T2:T1 = 3:1 / 2:1

 

6.T2为高阈值,T1为低阈值

 

OpenCV学习+常用函数记录②:图像卷积与滤波插图(1)

 

import cv2 as cv
import numpy as np
import random
# 将图片数据读取进来
img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR)
# 1. 将图片转成灰度图片
grayImg = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 2. canny算法
dstImg = cv.Canny(grayImg, 50, 180)
# 显示
cv.imshow("img", img)
cv.imshow('dstimg', dstImg)
cv.waitKey(0)

2.8 双边滤波

 

双边滤波其综合了高斯滤波器和α-截尾均值滤波器的特点,同时考虑了空间域与值域的差别,而Gaussian Filter和α均值滤波分别只考虑了空间域和值域差别。高斯滤波器只考虑像素间的欧式距离,其使用的模板系数随着和窗口中心的距离增大而减小;α-截尾均值滤波器则只考虑了像素灰度值之间的差值,去掉α%的最小值和最大值后再计算均值。

 

核心API:cv.bilateralFilter(输入图像, d, sigmaColor, sigmaSpace)

 

src 输入图像

 

d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数,则函数会从sigmaSpace计算该值。

 

sigmaColor: 颜色空间过滤器的sigma值,这个参数的值越大,表明该像素邻域内有越宽广的颜色会被混合到一起,产生较大的半相等颜色区域。

 

sigmaSpace: 坐标空间中滤波器的sigma值,如果该值较大,则意味着越远的像素将相互影响,从而使更大的区域中足够相似的颜色获取相同的颜色.

 

import cv2 as cv
# 将图片数据读取进来
img = cv.imread("../img/timg.jpg", cv.IMREAD_COLOR)
# 双边滤波
dstImg = cv.bilateralFilter(img, 10, 50, 50)
# 显示图像
cv.imshow('img', img)
cv.imshow('newimg', dstImg)
cv.waitKey(0)

 

2.9 锐化滤波

 

import cv2 as cv
import numpy as np
img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR)
cv.imshow("src", img)
k = 1
kernel = np.array([
                    [-k, -k, -k],
                    [-k, 8*k+1, -k],
                    [-k, -k, -k]])
dst = cv.filter2D(img, -1, kernel)
cv.imshow("sharpness filter", dst)
cv.waitKey(0)
cv.destroyAllWindows()

发表评论

后才能评论