詳解Python+OpenCV進行基礎的圖像操作

Posted on by

介紹

眾所周知，OpenCV是一個用於計算機視覺和圖像操作的免費開源庫。

OpenCV 是用 C++ 編寫的，並且有數千種優化的算法和函數用於各種圖像操作。很多現實生活中的操作都可以使用 OpenCV 來解決。例如視頻和圖像分析、實時計算機視覺、對象檢測、鏡頭分析等。

許多公司、研究人員和開發人員為 OpenCV 的創建做出瞭貢獻。使用OpenCV 很簡單，而且 OpenCV 配備瞭許多工具和功能。讓我們使用 OpenCV 來執行有趣的圖像操作並查看結果。

形態變換

形態變換是基於形狀變換圖像的圖像處理方法。這個過程有助於區域形狀的表現和刻畫。這些轉換使用應用於輸入圖像的結構元素，並生成輸出圖像。

形態學操作有多種用途，包括從圖像中去除噪聲、定位圖像中的強度凹凸和孔洞，以及連接圖像中的不同元素。

有兩種主要的形態學變換類型：腐蝕和膨脹。

腐蝕

腐蝕是為瞭減小前景對象的大小而執行的形態學操作。異物的邊界被慢慢腐蝕。腐蝕在圖像編輯和轉換中有許多應用，腐蝕會縮小圖像像素。對象邊界上的像素也被刪除。

腐蝕的實現在 Python 中很簡單，可以在內核的幫助下實現。

讓我們開始使用 Python 中的代碼來實現腐蝕。

首先，我們導入 Open CV 和 Numpy。

import cv2
import numpy as np

現在我們讀取圖像。

image = cv2.imread("image1.jpg")

圖片：

我們創建瞭一個執行腐蝕操作所需的內核，並使用內置的 OpenCV 函數實現它。

# Creating kernel
kernel = np.ones((5, 5), np.uint8)
# Using cv2.erode() method 
image_erode = cv2.erode(image, kernel)

現在，我們保存文件並查看。

filename = 'image_erode1.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_erode)

圖片：

正如我們所看到的，圖像現在被腐蝕瞭，銳度和邊緣都減少瞭，圖像變得模糊瞭。腐蝕可用於隱藏或刪除圖像的某些部分或隱藏圖像中的信息。

讓我們嘗試不同類型的腐蝕。

kernel2 = np.ones((3, 3), np.uint8)
image_erode2 = cv2.erode(image, kernel2, cv2.BORDER_REFLECT)

現在，我們保存圖像文件。

filename = 'image_erode2.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_erode2)

圖片：

現在，讓我們看看什麼是膨脹。

膨脹

膨脹過程與腐蝕相反。圖像膨脹時，前景對象不是縮小，而是擴大。圖像裡的東西在邊界附近擴張，並形成一個膨脹的物體。

圖像中的明亮區域在膨脹後往往會“發光”，這通常會導致圖像增強。因此，膨脹用於圖像校正和增強。

讓我們使用 Python 代碼實現 Dilation。

kernel3 = np.ones((5,5), np.uint8)
image_dilation = cv2.dilate(image, kernel, iterations=1)

現在，我們保存圖像。

filename = 'image_dilation.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_dilation)

圖片：

正如我們所見，圖像現在更亮，強度更高。

創建邊框

為圖像添加邊框非常簡單，我們的手機圖庫應用程序或編輯應用程序可以非常快速地完成。但是，現在讓我們使用 Python 為圖像創建邊框。

## Using cv2.copyMakeBorder() method
image_border1 = cv2.copyMakeBorder(image, 25, 25, 10, 10, cv2.BORDER_CONSTANT, None, value = 0)

現在，讓我們保存圖像。

filename = 'image_border1.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_border1)

圖片：

在這裡，我們為圖像添加瞭一個簡單的黑色邊框。現在，讓我們嘗試一些鏡像邊框。

#making a mirrored border
image_border2 = cv2.copyMakeBorder(image, 250, 250, 250, 250, cv2.BORDER_REFLECT)

現在，我們保存圖像。

filename = 'image_border2.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_border2)

圖片：

這很有趣，它看起來像是奇異博士的鏡子維度中的東西。

讓我們試試別的。

#making a mirrored border
image_border3 = cv2.copyMakeBorder(image, 300, 250, 100, 50, cv2.BORDER_REFLECT)

現在，我們保存圖像。

filename = 'image_border3.jpg'
# Using cv2.imwrite() method
# Saving the image
cv2.imwrite(filename, image_border3)

圖片：

強度變換

通常，由於各種原因，圖像會發生強度變換。這些是在空間域中直接在圖像像素上完成的。圖像閾值處理和對比度處理等操作是使用強度轉換完成的。

對數變換

對數變換是一種強度變換操作，其中圖像中的像素值被替換為它們的對數值。

對數變換用於使圖像變亮或增強圖像，因為它將圖像中較暗的像素擴大到較高的像素值。

讓我們實現對數變換。

# Apply log transform.
c = 255/(np.log(1 + np.max(image)))
log_transformed = c * np.log(1 + image)
# Specify the data type.
log_transformed = np.array(log_transformed, dtype = np.uint8)

現在，我們保存圖像。

cv2.imwrite('log_transformed.jpg', log_transformed)

圖片：

圖像變得非常明亮。

線性變換

我們將對圖像應用分段線性變換。這種變換也是在空間域上完成的。此方法用於為特定目的修改圖像。它被稱為分段線性變換，因為它隻有一部分是線性的。最常用的分段線性變換是對比拉伸。

通常，如果在低光照條件下單擊圖像並且周圍照明不佳，則生成的圖像對比度較低。對比度拉伸會增加圖像中強度級別的范圍，並且對比度拉伸函數會單調增加，從而保持像素強度的順序。

現在，讓我們實現對比度拉伸。

def pixelVal(pix, r1, s1, r2, s2):
    if (0 <= pix and pix <= r1):
        return (s1 / r1)*pix
    elif (r1 < pix and pix <= r2):
        return ((s2 - s1)/(r2 - r1)) * (pix - r1) + s1
    else:
        return ((255 - s2)/(255 - r2)) * (pix - r2) + s2
# Define parameters.
r1 = 70
s1 = 0
r2 = 140
s2 = 255
# Vectorize the function to apply it to each value in the Numpy array.
pixelVal_vec = np.vectorize(pixelVal)
# Apply contrast stretching.
contrast_stretch = pixelVal_vec(image, r1, s1, r2, s2)
# Save edited image.
cv2.imwrite('contrast_stretch.jpg', contrast_stretch)

圖片：

在這裡，圖像得到瞭改善，並且可以觀察到更高的對比度。

去噪彩色圖像

去噪信號或圖像意味著去除不必要的信號和信息以獲得有用的信號和信息。去噪以去除不需要的噪聲，並更好地分析和處理圖像。

讓我們用 Python 對彩色圖像進行去噪。

denoised_image = cv2.fastNlMeansDenoisingColored(image, None, 15, 8, 8, 15)

現在，我們保存圖像。

# Save edited image.
cv2.imwrite('denoised_image.jpg', denoised_image)

圖片：

我們可以看到很多想要的東西，比如背景和天空已經被刪除瞭。

使用直方圖分析圖像

在任何形式的分析中，直方圖都是必不可少的視覺效果。圖像的直方圖是理解全局描述的一種令人興奮的方式，直方圖可用於對圖像進行定量分析。圖像直方圖表示圖像中灰度級的出現。

我們可以使用直方圖來瞭解數字圖像的像素強度分佈，也可以使用直方圖來瞭解主色。

讓我們繪制一個直方圖。

from matplotlib import pyplot as plt
histr = cv2.calcHist([image],[0],None,[256],[0,256])
plt.plot(histr)

輸出：

# alternative way to find histogram of an image
plt.hist(image.ravel(),256,[0,256])
plt.show()

輸出：

該圖顯示瞭圖像上 0 到 255 顏色范圍內的像素數。我們可以看到，所有類型的顏色都有良好的分佈。

現在，讓我們將圖像轉換為黑白並生成直方圖。

grey_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
histogram = cv2.calcHist([grey_image], [0], None, [256], [0, 256])
plt.plot(histogram, color='k')

輸出：

這個分佈和之前的分佈有很大的不同。這主要是因為圖像被轉換為灰度，然後進行分析。

現在，我們執行顏色直方圖。

for i, col in enumerate(['b', 'g', 'r']):
    hist = cv2.calcHist([image], [i], None, [256], [0, 256])
    plt.plot(hist, color = col)
    plt.xlim([0, 256])
plt.show()

輸出：

我們可以看到藍色和綠色的像素數量遠高於紅色。這很明顯，因為圖像中有很多藍色和綠色區域。

所以我們可以看到，繪制圖像直方圖是理解圖像強度分佈的好方法。

到此這篇關於詳解Python+OpenCV進行基礎的圖像操作的文章就介紹到這瞭,更多相關Python OpenCV圖像操作內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：