OpenCV图像处理总结 ——用opencv给图片换背景色为例

图像平滑
模糊/平滑图片来消除图片噪声

OpenCV函数：cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()

2D 卷积
OpenCV中用cv2.filter2D()实现卷积操作，比如我们的核是下面这样（3×3区域像素的和除以10）：

img = cv2.imread('lena.jpg')
# 定义卷积核
kernel = np.ones((3, 3), np.float32) / 10
# 卷积操作，-1表示通道数与原图相同
dst = cv2.filter2D(img, -1, kernel)

卷积操作，-1表示通道数与原图相同

dst = cv2.filter2D(img, -1, kernel)

定义卷## 标题积核

kernel = np.ones((3, 3), np.float32) / 10

卷积操作，-1表示通道数与原图相同

dst = cv2.filter2D(img, -1, kernel)

模糊和滤波
它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）

低通滤波器是模糊，高通滤波器是锐化

常见噪声有椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。
均值滤波
均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，用 cv2.blur() 实现，如3×3的卷积核：

img = cv2.imread('lena.jpg')
# 均值模糊
blur = cv2.blur(img,(3,3)

高斯滤波
不同于均值滤波，高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小，类似于正态分布。

OpenCV中对应函数为 cv2.GaussianBlur(src,ksize,sigmaX) ,指定的高斯核的宽和高必须为奇数。

img = cv2.imread(‘gaussian_noise.bmp’)

均值滤波vs高斯滤波

blur = cv2.blur(img, (5, 5)) # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1) # 高斯滤波
参数3,σxσ_xσx值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。

中值滤波
中值又叫中位数，是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。
img = cv2.imread(‘salt_noise.bmp’, 0)
双边滤波
操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。用cv2.bilateralFilter()函数实现：

img = cv2.imread(‘lena.jpg’)

形态学操作
包括膨胀、腐蚀、开运算和闭运算等形态学操作

OpenCV函数：cv2.erode(), cv2.dilate(), cv2.morphologyEx()

腐蚀
腐蚀的效果是把图片”变瘦”，其原理是在原图的小区域内取局部最小值。因为是二值化图，只有0和255，所以小区域内有一个是0该像素点就为0：

OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：

import cv2
import numpy as np
img = cv2.imread(‘j.bmp’, 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel) # 腐蚀
这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 十字结构

膨胀
膨胀与腐蚀相反，取的是局部最大值，效果是把图片”变胖”：

dilation = cv2.dilate(img, kernel) # 膨胀
开/闭运算
先腐蚀后膨胀叫开运算（因为先腐蚀会分开物体，这样容易记住），其作用是：分离物体，消除小区域。这类形态学操作用 cv2.morphologyEx() 函数实现：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
img = cv2.imread(‘j_noise_out.bmp’, 0)

开运算

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
闭运算则相反：先膨胀后腐蚀（先膨胀会使白色的部分扩张，以至于消除/“闭合”物体里面的小黑洞，所以叫闭运算）

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

形态学梯度
膨胀图减去腐蚀图，dilation - erosion，这样会得到物体的轮廓：
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
顶帽
原图减去开运算后的图：src - opening
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
黑帽
闭运算后的图减去原图：closing - src
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

给图片换背景的源代码。欢迎一起学习的小伙伴指教！

#imagechuli
import cv2
import time
import numpy as np#图片名子
name = "1.jpg"
#程序计时
start = time.perf_counter()
#显示图片
img=cv2.imread("./input_image/3.jpg")
#图片缩放
img = cv2.resize(img,None,fx = 0.5,fy = 0.5)
rows,cols,channels = img.shape
#print(rows,cols,channels)
cv2.resizeWindow("origin", 0, 0);
#cv2.imshow("origin",img)
#转换为二值化图像
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
rows,cols,channels = hsv.shape#图片的二值化处理
lower_blue = np.array([90,70,70])
upper_blue = np.array([110,255,255])
mask = cv2.inRange(hsv,lower_blue,upper_blue)def shap():#图像的腐蚀kernel = np.ones((4, 4), np.uint8)erode=cv2.erode(mask,kernel,iterations=1)#cv2.imshow("erode",erode)#膨胀操作kernel = np.ones((2, 2), np.uint8)dilate=cv2.dilate(erode,None,iterations=3)#cv2.imshow("dilate",dilate)#循环遍历for i in range(rows):for j in range(cols):if dilate[i,j]==255:img[i,j]=(0,0,255)#注意是BGR通道，不是RGB#cv2.imshow("res",img)bianyuanchuli()#cv2.destroyAllWindows()def bianyuanchuli():#图像边缘检测的内核大小data = (900,1100)img_copy = img.copy()imgCanny = cv2.Canny(img, *data)#cv2.imshow("imgcanny",imgCanny)# 创建矩形结构g = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))g2 = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))# 膨化处理# 更细腻img_dilate = cv2.dilate(imgCanny, g,iterations=1)#cv2.imshow("img_dilate",img_dilate)# 更粗大img_dilate2 = cv2.dilate(imgCanny, g2)shape = img_dilate.shape# 提取for i in range(shape[0]):for j in range(shape[1]):if img_dilate2[i, j] == 0:  # 二维定位到三维img[i, j] = [0, 0, 0]#cv2.imshow('dst1', img)dst = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)for i in range(shape[0]):for j in range(shape[1]):if img_dilate[i, j] != 0:  # 二维定位到三维img_copy[i, j] = dst[i, j]#cv2.imshow('dst', img_copy)cv2.imwrite("./out_image/3.jpg",img_copy)  shap()
# 窗口等待的命令，0表示无限等待
cv2.destroyAllWindows()
cv2.waitKey(0)
dur = time.perf_counter() - start
print("程序总用时:{:.2f}s".format(dur))

OpenCV图像处理总结 ——用opencv给图片换背景色为例相关推荐

python怎么换背景颜色_用opencv给图片换背景色的示例代码
图像平滑模糊/平滑图片来消除图片噪声 OpenCV函数:cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter() ...
Python+OpenCV图像处理（二）——打印图片属性、设置图片存储路径、电脑摄像头的调取和显示...
一. 打印图片属性.设置图片存储路径代码如下: #打印图片的属性.保存图片位置 import cv2 as cv import numpy as np #numpy是一个开源的Python科学计算库 ...
OpenCV图像处理——GUI功能（三）
OpenCV图像处理文章目录 OpenCV图像处理一.绘图功能二.给图像加文字三.用鼠标作为画笔四.作为调色板的跟踪栏总结一.绘图功能学习这些函数:**cv.line(), **cv. ...
210322阶段三QT事件循环及opencv图像处理
目录一.学习的知识点 1.QT事件循环机制 1.1QT是事件驱动的.QT将系统产生的信号(软件中断)转换成QT事件,并且将事件封装成类,所有的事件类都是QEvent派生的,事件的产生和处理就是QT程 ...
OpenCV图像处理——GUI功能（二）
OpenCV图像处理文章目录 OpenCV图像处理一.图像入门 1.读取图像 2.显示图像 3.保存图像二.视频入门 1.用相机捕捉视频 2.播放视频文件 3.保存视频总结一.图像入门 1. ...
OpenCV图像处理——opencv简介（一）
OpenCV图像处理文章目录 OpenCV图像处理前言一.OpenCV是什么? 二.OpenCV-python开发三.开发环境总结前言酷爱图像处理,但是并没有系统的学习过opencv,只 ...
Java服务器部署基于OpenCV的C++图像处理项目（三）图片上传并返回处理图
Java服务器部署基于OpenCV的C++图像处理项目(三)图片上传并返回处理图 1.上传图片并返回灰度图功能由于使用的springboot开发,直接写一个upload接口供图片上传,以下是spri ...
python怎么打印图片_Python+OpenCV图像处理——打印图片属性、设置存储路径、调用摄像头...
一. 打印图片属性.设置图片存储路径代码如下: #打印图片的属性.保存图片位置 import cv2 as cv import numpy as np #numpy是一个开源的python科学计算库 ...
java opencv 图片处理_Java图像处理：基于OpenCV与JVM
Java图像处理:基于OpenCV与JVM 作者:(法)尼古拉斯·莫德奇克(Nicolas Modrzyk) 著出版日期:2019年04月文件大小:7.64M 支持设备: ￥60.00仅供试读适 ...

OpenCV图像处理总结 ——用opencv给图片换背景色为例

给图片换背景的源代码。欢迎一起学习的小伙伴指教！

OpenCV图像处理总结 ——用opencv给图片换背景色为例相关推荐

最新文章

热门文章