OpenCV 【十九】图像金字塔/基本的阈值操作/实现自己的线性滤波器
目录
1.part one 图像金字塔
1.1原理
1.1.1图像金字塔
1.1.2高斯金字塔
1.2代码
1.3运行结果
2.part two 基本的阈值操作¶
2.1原理
2.1.1阈值化的类型:
2.1.2阈值类型1:二进制阈值化
2.1.3阈值类型2:反二进制阈值化
2.1.4阈值类型3:截断阈值化
2.1.5阈值类型4:阈值化为0
2.1.6阈值类型5:反阈值化为0
2.2代码
2.3运行结果
3.part three 实现自己的线性滤波器
3.1原理
3.1.1卷积
3.1.2核是什么?
3.1.3如何用核实现卷积?
3.2代码
3.3运行结果
1.part one 图像金字塔
1.1原理
当我们需要将图像转换到另一个尺寸的时候, 有两种可能:
放大 图像 或者
缩小 图像。
尽管OpenCV 几何变换 部分提供了一个真正意义上的图像缩放函数(resize, 在以后的教程中会学到),不过在本篇我们首先学习一下使用 图像金字塔 来做图像缩放, 图像金字塔是视觉运用中广泛采用的一项技术。
1.1.1图像金字塔
一个图像金字塔是一系列图像的集合 - 所有图像来源于同一张原始图像 - 通过梯次向下采样获得,直到达到某个终止条件才停止采样。
有两种类型的图像金字塔常常出现在文献和应用中:
高斯金字塔(Gaussian pyramid): 用来向下采样
拉普拉斯金字塔(Laplacian pyramid): 用来从金字塔低层图像重建上层未采样图像
1.1.2高斯金字塔
想想金字塔为一层一层的图像,层级越高,图像越小。
每一层都按从下到上的次序编号, 层级 (表示为 尺寸小于层级 ())。
为了获取层级为 的金字塔图像,我们采用如下方法:
将 与高斯内核卷积:
将所有偶数行和列去除。
显而易见,结果图像只有原图的四分之一。通过对输入图像 (原始图像) 不停迭代以上步骤就会得到整个金字塔。
以上过程描述了对图像的向下采样,如果将图像变大呢?:
首先,将图像在每个方向扩大为原来的两倍,新增的行和列以0填充()
使用先前同样的内核(乘以4)与放大后的图像卷积,获得 “新增像素” 的近似值。
这两个步骤(向下和向上采样) 分别通过OpenCV函数 pyrUp 和 pyrDown 实现, 我们将会在下面的示例中演示如何使用这两个函数。
1.2代码
#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <math.h> #include <stdlib.h> #include <stdio.h> using namespace cv; /// 全局变量 Mat src, dst, tmp; char* window_name = "Pyramids Demo"; /*** @函数 main*/ int main( int argc, char** argv ) {/// 指示说明printf( "\n Zoom In-Out demo \n " );printf( "------------------ \n" );printf( " * [u] -> Zoom in \n" );printf( " * [d] -> Zoom out \n" );printf( " * [ESC] -> Close program \n \n" ); /// 测试图像 - 尺寸必须能被 2^{n} 整除src = imread( "../images/chicky_512.jpg" );if( !src.data ){ printf(" No data! -- Exiting the program \n");return -1; } tmp = src;dst = tmp; /// 创建显示窗口namedWindow( window_name, CV_WINDOW_AUTOSIZE );imshow( window_name, dst ); /// 循环while( true ){int c;c = waitKey(10); if( (char)c == 27 ){ break; }if( (char)c == 'u' ){ pyrUp( tmp, dst, Size( tmp.cols*2, tmp.rows*2 ) );printf( "** Zoom In: Image x 2 \n" );}else if( (char)c == 'd' ){ pyrDown( tmp, dst, Size( tmp.cols/2, tmp.rows/2 ) );printf( "** Zoom Out: Image / 2 \n" );} imshow( window_name, dst );tmp = dst;}return 0; }
1.3运行结果
2.part two 基本的阈值操作¶
2.1原理
最简单的图像分割的方法。
应用举例:从一副图像中利用阈值分割出我们需要的物体部分(当然这里的物体可以是一部分或者整体)。这样的图像分割方法是基于图像中物体与背景之间的灰度差异,而且此分割属于像素级的分割。
为了从一副图像中提取出我们需要的部分,应该用图像中的每一个像素点的灰度值与选取的阈值进行比较,并作出相应的判断。(注意:阈值的选取依赖于具体的问题。即:物体在不同的图像中有可能会有不同的灰度值。
一旦找到了需要分割的物体的像素点,我们可以对这些像素点设定一些特定的值来表示。(例如:可以将该物体的像素点的灰度值设定为:‘0’(黑色),其他的像素点的灰度值为:‘255’(白色);当然像素点的灰度值可以任意,但最好设定的两种颜色对比度较强,方便观察结果)。
2.1.1阈值化的类型:
OpenCV中提供了阈值(threshold)函数: threshold 。
这个函数有5种阈值化类型,在接下来的章节中将会具体介绍。
为了解释阈值分割的过程,我们来看一个简单有关像素灰度的图片,该图如下。该图中的蓝色水平线代表着具体的一个阈值。
2.1.2阈值类型1:二进制阈值化
该阈值化类型如下式所示:
解释:在运用该阈值类型的时候,先要选定一个特定的阈值量,比如:125,这样,新的阈值产生规则可以解释为大于125的像素点的灰度值设定为最大值(如8位灰度值最大为255),灰度值小于125的像素点的灰度值设定为0。
2.1.3阈值类型2:反二进制阈值化
该阈值类型如下式所示:
解释:该阈值化与二进制阈值化相似,先选定一个特定的灰度值作为阈值,不过最后的设定值相反。(在8位灰度图中,例如大于阈值的设定为0,而小于该阈值的设定为255)。
2.1.4阈值类型3:截断阈值化
该阈值化类型如下式所示:
解释:同样首先需要选定一个阈值,图像中大于该阈值的像素点被设定为该阈值,小于该阈值的保持不变。(例如:阈值选取为125,那小于125的阈值不改变,大于125的灰度值(230)的像素点就设定为该阈值)。
2.1.5阈值类型4:阈值化为0
该阈值类型如下式所示:
解释:先选定一个阈值,然后对图像做如下处理:1 像素点的灰度值大于该阈值的不进行任何改变;2 像素点的灰度值小于该阈值的,其灰度值全部变为0。
2.1.6阈值类型5:反阈值化为0
该阈值类型如下式所示:
解释:原理类似于0阈值,但是在对图像做处理的时候相反,即:像素点的灰度值小于该阈值的不进行任何改变,而大于该阈值的部分,其灰度值全部变为0。
2.2代码
#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <stdlib.h> #include <stdio.h> using namespace cv; /// 全局变量定义及赋值 int threshold_value = 0; int threshold_type = 3;; int const max_value = 255; int const max_type = 4; int const max_BINARY_value = 255; Mat src, src_gray, dst; char* window_name = "Threshold Demo"; char* trackbar_type = "Type: \n 0: Binary \n 1: Binary Inverted \n 2: Truncate \n 3: To Zero \n 4: To Zero Inverted"; char* trackbar_value = "Value"; /// 自定义函数声明 void Threshold_Demo( int, void* ); /*** @主函数*/ int main( int argc, char** argv ) {/// 读取一副图片,不改变图片本身的颜色类型(该读取方式为DOS运行模式)src = imread( argv[1], 1 ); /// 将图片转换成灰度图片cvtColor( src, src_gray, CV_RGB2GRAY ); /// 创建一个窗口显示图片namedWindow( window_name, CV_WINDOW_AUTOSIZE ); /// 创建滑动条来控制阈值createTrackbar( trackbar_type,window_name, &threshold_type,max_type, Threshold_Demo ); createTrackbar( trackbar_value,window_name, &threshold_value,max_value, Threshold_Demo ); /// 初始化自定义的阈值函数Threshold_Demo( 0, 0 ); /// 等待用户按键。如果是ESC健则退出等待过程。while(true){int c;c = waitKey( 20 );if( (char)c == 27 ){ break; }} } /*** @自定义的阈值函数*/ void Threshold_Demo( int, void* ) {/* 0: 二进制阈值1: 反二进制阈值2: 截断阈值3: 0阈值4: 反0阈值*/ threshold( src_gray, dst, threshold_value, max_BINARY_value,threshold_type ); imshow( window_name, dst ); }
2.3运行结果
3.part three 实现自己的线性滤波器
3.1原理
3.1.1卷积
高度概括地说,卷积是在每一个图像块与某个算子(核)之间进行的运算。
3.1.2核是什么?
核说白了就是一个固定大小的数值数组。该数组带有一个 锚点 ,一般位于数组中央。
3.1.3如何用核实现卷积?
假如你想得到图像的某个特定位置的卷积值,可用下列方法计算:
将核的锚点放在该特定位置的像素上,同时,核内的其他值与该像素邻域的各像素重合;
将核内各值与相应像素值相乘,并将乘积相加;
将所得结果放到与锚点对应的像素上;
对图像所有像素重复上述过程。
用公式表示上述过程如下:
幸运的是,我们不必自己去实现这些运算,OpenCV为我们提供了函数 filter2D 。
3.2代码
载入一幅图像
对图像执行 归一化块滤波器 。举例来说,如果该滤波器核的大小为 ,则它会像下面这样:
程序将执行核的大小分别为3、5、7、9、11的滤波器运算。
该滤波器每一种核的输出将在屏幕上显示500毫秒
#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include <stdlib.h> #include <stdio.h> using namespace cv; /** @函数main */ int main ( int argc, char** argv ) {/// 声明变量Mat src, dst; Mat kernel;Point anchor;double delta;int ddepth;int kernel_size;char* window_name = "filter2D Demo"; int c; /// 载入图像src = imread( argv[1] ); if( !src.data ){ return -1; } /// 创建窗口namedWindow( window_name, CV_WINDOW_AUTOSIZE ); /// 初始化滤波器参数anchor = Point( -1, -1 );delta = 0;ddepth = -1; /// 循环 - 每隔0.5秒,用一个不同的核来对图像进行滤波int ind = 0;while( true ){c = waitKey(500);/// 按'ESC'可退出程序if( (char)c == 27 ){ break; } /// 更新归一化块滤波器的核大小kernel_size = 3 + 2*( ind%5 );kernel = Mat::ones( kernel_size, kernel_size, CV_32F )/ (float)(kernel_size*kernel_size); /// 使用滤波器filter2D(src, dst, ddepth , kernel, anchor, delta, BORDER_DEFAULT );imshow( window_name, dst );ind++;} return 0; }
3.3运行结果
3.3运行结果
OpenCV 【十九】图像金字塔/基本的阈值操作/实现自己的线性滤波器相关推荐
- OpenCV之imgproc 模块. 图像处理(1)图像平滑处理 腐蚀与膨胀(Eroding and Dilating) 更多形态学变换 图像金字塔 基本的阈值操作
图像平滑处理 目标 本教程教您怎样使用各种线性滤波器对图像进行平滑处理,相关OpenCV函数如下: blur GaussianBlur medianBlur bilateralFilter 原理 No ...
- JavaScript学习(三十九)—对象中内容的操作
JavaScript学习(三十九)-对象中内容的操作 一.对象中内容的操作:增.删.改.查 (一).增:给对象添加属性或者方法 1)方式1:对象名称.属性名=属性值: 2)方式2:对象名称['属性名' ...
- OpenCV系列之图像金字塔 | 二十
目标 在本章中, 我们将学习图像金字塔 我们将使用图像金字塔创建一个新的水果"Orapple" 我们将看到以下功能:cv.pyrUp(),cv.pyrDown() 理论 通常,我们 ...
- 计算机视觉OpenCV(五):图像金字塔与轮廓检测
目录 图像金字塔 1. 高斯金字塔(Gaussian Pyramid) 2. 拉普拉斯金字塔(Laplacian Pyramid) 图像轮廓 1. 查找检测物体的轮廓 2. 绘制轮廓 3. 轮廓特征 ...
- OpenCV+python:图像金字塔
1,图像金字塔的概念 图像金字塔是一种以多分辨率来解释图像的有效但概念简单的结构.应用于图像分割,机器视觉和图像压缩.一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图 ...
- cv2.error: opencv(4.4.0)_【从零学习OpenCV 4】图像金字塔
点击上方"小白学视觉",选择"星标"公众号 重磅干货,第一时间送达 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4入门书籍<从零学习Open ...
- OpenCV中的图像金字塔(高斯金字塔、拉普拉斯金字塔)
最近在看关于数字图像的知识点,目前在图像金字塔部分,实在是懒得用手作笔记了,就以其中比较出名的"高斯金字塔"和"拉普拉斯金字塔"为例,基于OpenCV的源代码作 ...
- 【CV系列】图像算法之十:图像金字塔
目录 一.基本原理 二.算法实现 一.基本原理 图像金字塔常用作多分辨率模型.视频图像的多分辨率模型是视频图像处理的重要方法. 图像金字塔包括高斯金字塔和拉普拉斯金字塔两种实现形式. 1. ...
- (openCV 十九)轮廓Contours形状拟合
什么是轮廓? 轮廓可以简单认为成将连续的点(连着边界)连在一起的曲线,具有相同 的颜色或者灰度.轮廓在形状分析和物体的检测和识别中很有用. • 为了更加准确,要使用二值化图像.在寻找轮廓之前,要进行阈 ...
最新文章
- vMware vSphere 5.0发布时间
- [VNCFT2021]gocalc0复现
- SAP Backgroud job
- cisco 2960-24 配置(生产环境)
- 开源项目推荐:CNC+CRC/SoftPLC/OpenCASCADE/CAD/CAM
- install python_python install on windows 10
- 故宫也在拼多多卖货!故宫文具将入驻拼多多开设旗舰店!
- 手写token解析器、语法解析器、LLVM IR生成器(GO语言)
- matlab 图像的膨胀indilate和腐蚀imerode
- AcWing 802. 区间和
- java final对象_JAVA final 与 不可变对象
- MusicXML 3.0 (31) - Tab
- web通用组件+Axure原型+Axure元件库+Axure后台管理系统框架模板+大屏数据可视化元件库+智慧社区管理系统大屏+图表组件+表单组合+智慧数据看板+通用大屏图表原件库+电脑端常用组件
- 鹏业安装算量软件合并计算项目操作
- 计算机网络——网络应用(上)
- “智慧机场3.0”样板工程 北京大兴机场物联网系统有多牛?
- html樱花飘落代码_武大樱花又盛开,用python画一棵樱花树
- [联想官方工具]关闭Win10自动更新工具 最新版 2.6.21.816
- 【机器学习】逻辑回归之心脏病预测
- 使用npm命令启动http-server服务时指定端口
热门文章
- js的object的key需要引号吗,JavaScript中对象是否需要加引号?
- cmake java_JNI系列之AS支持CMake了
- 给定n本书的名称和定价,本题要求编写程序,查找并输出其中定价最高和最低的书的名称和定价
- 华为外包1年_2021年(1月)有哪些高性价比的华为/荣耀手机值得购买?
- android studio类重复,Android Studio 解决重复依赖
- pr 文件结构不一致_建筑工程合同与招投标文件不一致,工程结款应该以哪份文件为主?...
- as安装过程中gradle_柯赛分享:楼顶大字安装过程中需要用到哪些工具?
- 剑指offer:面试题21. 调整数组顺序使奇数位于偶数前面
- 剑指offer:面试题12. 矩阵中的路径
- c++ to_string用法