图像处理基础

Opencv介绍

计算机视觉处理开源软件库

由Intel公司俄罗斯团队发起并参与和维护的一个计算机视觉处理开源软件库，
在诸多方面都有着卓越的表现：

编程语言：多数模块基于C++实现，少部分基于C语言实现，同时提供了
Python、Ruby、MATLAB等语言的接口
跨平台：可自由地运行在Linux、Windows和Mac OS等桌面平台，Android、
IOS、BlackBerray等移动平台
活跃的开发团队：目前已更新至OpenCV4.0
丰富的API：完善的传统计算机视觉算法，涵盖主流机器学习算法，同时添加了
对深度学习的支持

现在的智能手机基本都有用到HDR，按下快门的一瞬间手机实际上从低曝光到高曝光拍了多张照片。 做到即看到前景的亮出，也可以看到背景的暗处

HDR也作为一种标准被视频采用。

自动图像拼接：全景图像拍摄

OpenCv模块介绍

OpenCV提供了许多内置的用于图像处理和计算机视觉相关操作的基础数据结构，它们都包含在core模块中

OpenCV包含的模块中，core、highgui、imgproc是最基础的模块

常用的OpenCV基本数据结构有以下几种:

Mat类：矩阵元素（可以与numpy的矩阵互通）
Point类：坐标点x和y
Size类：尺寸，width和height
Rect类：矩形的左上角坐标x和y以及宽width和高height
Scalar类：RGB通道和alpha通道
Vec类：向量，一维矩阵
Range类：用于指定一个连续的子序列

图像读取与保存

#载入Opencv库
import cv2#图像读取
img = cv2.imread('sight.jpg')#图片保存
cv2.imwrite('sight.jpg', img)

图像显示

#基本显示from matplotlib import pyplot as plt
plt.imshow(img)
plt.show()#调整图片大小  （仅为显示的大小，而不是图像本身的大小）img1 = cv2.imread('cat.jpg')
plt.figure(figsize=(8, 6))
plt.imshow(img)
plt.show()

#设置坐标轴标签
plt.xlabel('x')
plt.ylabel('y')
#显示子图
plt.subplot(121)  #前两位‘12’ 代表了1行2列 第三位‘1’表示子图的编号
plt.imshow(img1)
plt.subplot(122)
plt.imshow(img1)
plt.show()
#设置图标题
plt.title()

#设置坐标轴范围plt.xlim(0, 1200)plt.ylim(1200, 0)# 显示色彩对照表plt.colorbar()# 显示风格设置plt.style.use('seaborn-whitegrid')

图像格式转换

RGB颜色模型

三原色，肉眼可见的所有色彩均由这三种色彩混合叠加而成
RGB的颜色混合方式就好像有红（R）、绿（G）、蓝（B）三盏灯相互叠合的时候，色彩相混，而亮度却等于加和

ps：RGB与BGR唯一区别在于计算机计算颜色时哪个通道在前，RGB是（红，绿，蓝），BGR是（蓝，绿，红）。

红、绿、蓝三个颜色通道每种色各分为256阶亮度，在0时“灯”最弱—而在255时“灯”最亮

Oled 不是采用RGB连续排列的方式，而是采用批排列的方式，它显示的颜色会更加的艳丽。

HSV色彩模型

HSV是一种将RGB色彩空间中的点在倒圆锥体中表示的方法
HSV即色相、饱和度、明度
HSV颜色空间，更类似于人类感觉颜色的方式，封装了关于颜色的信息：“这是什么颜色？深浅如何？明暗如何？”

其他模型

HSL与HSV色彩模型

HSV色彩模型(Hue 色相, Saturation 饱和度，Value 明度)
HSL色彩模型(Hue 色相, Saturation 饱和度，Lightness 亮度)
两者的意义大体一样，只是在饱和度，亮度的取值轴有不同的意义

YCrCb即YUV

与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽
其中“Y”表示明亮度，而“U”和“V” 表示的则是色度，作用是描述影像色彩及饱和度，用于指定像素的颜色

灰度图

任何颜色都有红、绿、蓝三原色组成，若某点的颜色为RGB(R，G，B)，通过下面几种方法，可将其转换为灰度：

1.浮点算法：Gray=R0.3+G0.59+B0.11
2.整数方法：Gray=(R30+G59+B11)/100
3.移位方法：Gray =(R76+G151+B*28)>>8
4.平均值法：Gray=（R+G+B）/3
5.仅取绿色：Gray=G

通过上述任一种方法求得Gray后，将原来的RGB(R,G,B)中的R,G,B统一用Gray替换，形成新的颜色RGB(Gray,Gray,Gray)，替换原来的RGB(R,G,B)，就得到灰度图了（这样可以使得灰度图得以显示）

灰度图舍弃了很多其它信息，保留了关键的梯度信息，在很多机器学习任务里有重要应用

# BGR转为灰度图

cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# RGB转为BGR

cv2.cvtColor(img,cv2.COLOR_RGB2BGR)

# RGB转为HSV

cv2.cvtColor(img,cv2.COLOR_RGB2HSV)

# BGR转为HLS

cv2.cvtColor(img,cv2.COLOR_RGB2HLS)

# BGR转为YCrCb

cv2.cvtColor(img,cv2.COLOR_RGB2YCrCb)

图像的缩放与翻转

#图像缩放
cv2.resize(img, dsize=(800, 600))

在numpy中（行数，列数)，这个resize里面的为(列数，行数)

#图像翻转
cv2.flip(img, flipCode=0)

cv2.flip(img, flipCode=1)

cv2.flip(img, flipCode=-1)

# 通道拆分

由于OpenCV读取图片默认使用通道顺序为BGR，因此在通道拆分时的顺序为B,G,R

rgb = cv2.imread('RGB.png')

B, G, R = cv2.split(rgb)

# 通道重组

而Matplotlib的默认通道顺序为RGB，因此在重组时画图时按R,G,B的顺序即可

plt.imshow(cv2.merge([R, G, B]))

# 图像旋转

这里涉及到图像放射变换的知识，解析几何里面有，课后补充

M = cv2.getRotationMatrix2D(((cols-1)/2.0,(rows-1)/2.0),45,0.75)

dst = cv2.warpAffine(rgb,M,(cols,rows))

plt.imshow(dst)

wardAffine()放射变换

作业：

# 导入必要的库
import cv2
import matplotlib.pyplot as plt
import pandas as pd# 获取图片尺寸
size = img.shape
cols = size[0]
rows = size[1]
# 创建大小为(10, 10)的图形，返回Figure对象img_new
img_new = plt.figure(figsize = (10, 10))
M = cv2.getRotationMatrix2D(((cols-1)/2.0, (rows-1)/2.0), 45, 0.5)
fig = cv2.warpAffine(img, M, (cols, rows))
# 图像缩放
plt.imshow(cv2.cvtColor(cv2.resize(fig, dsize = (1000, 800)), cv2.COLOR_BGR2RGB))
# 设置横轴标签
plt.xlabel('Length',fontsize=15)
# 设置纵轴标签
plt.ylabel('Width',fontsize=15)
# 设置图标题
plt.title('Dog',fontsize=20)

直方图均衡化

图像处理领域中利用图像直方图对对比度进行调整的方法
把原始图的直方图变换为均匀分布的形式，从而增加了像素灰度值的动态范围，达到增强图像整体对比度的效果

彩色图像直方图均衡化

B, G, R = cv2.split(rgb)
R2 = cv2.equalizeHist(R)
G2 = cv2.equalizeHist(G)
B2 = cv2.equalizeHist(B)
plt.imshow(cv2.merge([R2, G2, B2]))

边缘检测

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点
有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零交叉
基于搜索的边缘检测方法首先计算边缘强度，通常用一阶导数表示，然后计算估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘，通常用拉普拉斯算子或非线性微分方程的零交叉点

有助于我们理解深度学习里面的卷积操作，边缘检测就是在利用卷积核去提取图像的边缘信息。

标识数字图像中亮度变化明显的点

cv2.Canny(image, threshold1, threshold2)

参数说明：image：像素矩阵

threshold1 threshold2：阈值1和阈值2，用于进一步筛选边缘信息
作业2

# 导入必要的库import cv2
import matplotlib.pyplot as plt# 创建大小为(10, 8)的图形，返回Figure对象img_newimg_new = plt.figure(figsize = (10, 8))
plt.title('Panda',fontsize=15)
plt.xticks([])
plt.yticks([])
B,G,R = cv2.split(img)
R2 = cv2.equalizeHist(R)
G2 = cv2.equalizeHist(G)
B2 = cv2.equalizeHist(B)plt.imshow(cv2.merge([R2, G2, B2]))

生产实习-图像处理基础相关推荐

东北大学计算机学院生产实习,东北大学生产实习报告.doc
东北大学生产实习报告东北大学生产实习报告接受实习单位: 年月日~ 月日日期: 年月日~ 月日学院专业年级班姓名: 学号: 同组同学姓名: 目录 1. 引言1 ...
大连理工大学远程与继续教育学院生产实习报告报表
学生姓名学号入学批次专业指导教师学习中心实习时间实习单位实习岗位正文内容(含实习目的:实习单位及岗位介绍:实习内容及过程:实习体会.要求1千字以上): 大连理 ...
企业职工工资在线管理信息系统【生产实习课设报告】
若本文对你有帮助的话,记得点赞.关注我哟! 大四上学期的课设之一"生产实习",一共上三周,我随便乱写的,害怕不及格的人可以做个参考.最后班里大多数人都和我一样得了90分.然而这是我 ...
查询计算机应用技术专业的班级编号和名称,计算机系应用技术专业生产实习手册.doc...
计算机系应用技术专业生产实习手册.doc 还剩 13页未读, 继续阅读下载文档到电脑,马上远离加班熬夜! 亲,很抱歉,此页已超出免费预览范围啦! 如果喜欢就下载吧,价低环保! 内容要点: 桂林电子科 ...
信息安全专业生产实习-网络渗透测试实践
网络渗透测试实践 1. 实习的目的及任务 1.1 实习的目的生产实习是实现理论知识和实践相结合的重要环节.通过实习,学生将对于课堂学习的基础和专业理论知识有更深入的掌握.特别是对信息安全技术与工程的 ...
【深度学习】深入浅出数字图像处理基础（模型训练的先修课）
[深度学习]深入浅出数字图像处理基础(模型训练的先修课) 文章目录 1 图像的表示 2 图像像素运算 3 采样与量化3.1 采样3.2 量化3.3 图像上采样与下采样 4 插值算法分类 5 什么是池化 ...
Python计算机视觉：第一章图像处理基础
第一章图像处理基础 1.1 PIL-Python图像库 1.1.1 对图片进行格式转换 1.1.2 创建缩略图 1.1.3 拷贝并粘贴区域 1.1.4 调整尺寸及旋转 1.2 Matplotlib库 ...
[Python从零到壹] 四十一.图像处理基础篇之图像采样处理
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
[Python从零到壹] 三十七.图像处理基础篇之图像融合处理和ROI区域绘制
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

生产实习-图像处理基础