四虎在线精品,国产精品视频免费一区二区三区,综合色区

opencv圖像處理(深度學習中常用的)

改變色彩空間: cv.cvtColor()

cv.cvtColor(img, flag)

img:原圖像
flag:要改變的類型

常用的flag有：cv.COLOR_BGR2GRAY (BGR->GRAY)、cv.COLOR_BGR2HSV

img = cv.imread(r'E:\0_postgraduate\test.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('img', img)
cv.imshow('img_gray', gray)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
  cv.destroyAllWindows()

深入學習Python+Opencv常用四種圖像處理操作

我們可以看看flag都有哪些：

flags = [i for i in dir(cv) if i.startswith('COLOR_')]
print( flags )

改變圖像大小：cv.resize()

cv.resize(img, (width, height))

img:原始圖像
width：縮放后圖像的寬度
height：縮放后圖像的高度

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_resize = cv.resize(img, (500, 600))
cv.imshow('img shape: {} x {}'.format(img.shape[1], img.shape[0]), img)
cv.imshow('img_resize shape: {} x {}'.format(img_resize.shape[1], img_resize.shape[0]), img_resize)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
  cv.destroyAllWindows()

深入學習Python+Opencv常用四種圖像處理操作

比如某些網絡要求輸入的圖像必須是固定大小的：256 x 256這么大的，這時就可以用cv.resize()對大小不一的圖像進行縮放。

二維卷積操作

cv.filter2D()+軌跡條動態控制圖像參數：cv.createTrackbar()、cv.getTrackbarPos()

卷積操作是什么這里就不再介紹了。

cv.filter2D(img, -1, kernel)

img:原始圖像
-1:這個參數應該是輸出圖像，沒什么用，填-1就行
kernel:卷積核，一個二維數組

而至于cv.createTrackbar()、cv.getTrackbarPos()，這兩個函數可以很方便的動態調節圖像的參數，很直觀地看到調節的效果：

cv.createTrackbar()

第一個參數是軌跡欄名稱

第二個參數是它所屬的窗口名稱，

第三個參數是默認值，

第四個參數是最大值，

第五個參數是執行的回調函數每次軌跡欄值都會發生變化，即每次滑動軌跡條時都會調用該參數。

cv.getTrackbarPos()

第一個參數是滑動條名字，

第二個時所在窗口，

返回值是滑動條的數值

# cv.createTrackbar() 和 cv.getTrackbarPos()測試

def nothing(*arg):
  pass

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_original = img
cv.namedWindow('image_test')
cv.createTrackbar('kernel_width', 'image_test', 1, 30, nothing)
cv.createTrackbar('kernel_height', 'image_test', 1, 30, nothing)
while 1:
  w = cv.getTrackbarPos('kernel_width', 'image_test')
  h = cv.getTrackbarPos('kernel_height', 'image_test')
  print('w: {} h: {}'.format(w, h))
  if(w!=0 and h!=0):
      kernel = np.ones((w, h), np.float32)/(w*h)
      img = cv.filter2D(img_original, -1, kernel)
      cv.imshow('image_test', img)
  else:
      cv.imshow('image_test', img_original)
  k = cv.waitKey(5)
  if k & 0xFF == ord('q'):
      break
cv.destroyAllWindows()

深入學習Python+Opencv常用四種圖像處理操作

常用模糊

常用的模糊有平均化模糊：cv.blur()和高斯模糊：cv.GaussianBlur()

(1) cv.blur()

平均化模糊cv.blur()就是讓原始圖像與一個全1的卷積核做卷積，然后將得到的值除以卷積核中像素的總個數，這么說太繞了，直接上圖：

比如我選的卷積核為3x3大小，則原始圖像要與如下的卷積核做卷積：

深入學習Python+Opencv常用四種圖像處理操作

cv.blur(img, (weight, height))

img:原始圖像
weight:卷積核的寬
height:卷積核的長

(2) cv.GaussianBlur()

高斯模糊是在平均化模糊基礎上的改進，考慮了距離對于中心像素的影響：與中心像素距離越近的像素擁有越高的權重，其實超級簡單。高斯模糊的原理可以參考：python實現高斯模糊及原理詳解

cv.GaussianBlur(img, (weight, height), sigmaX, sigmaY)

img:原始圖像
weight:卷積核的寬
height:卷積核的長
sigmaX:二維高斯函數x的偏差
sigmaY:二維高斯函數y的偏差

注意：

核的寬度和高度，應該是正數和奇數。我們還應該指定X和Y方向的標準偏差，分別為sigmaX和sigmaY。如果只指定sigmaX，sigmaY將被視為與sigmaX相同。如果兩者都是零，則根據核大小計算。高斯模糊對去除圖像中的高斯噪聲非常有效。

img = cv.imread(r'E:\0_postgraduate\test.jpg')
img_blur = cv.blur(img, (5,5))
img_gaussian = cv.GaussianBlur(img, (5,5), 0)
cv.imshow('image_blur', img_blur)
cv.imshow('image_gaussian', img_gaussian)
k = cv.waitKey(0)
if k & 0xFF == ord('q'):
  cv.destroyAllWindows()

深入學習Python+Opencv常用四種圖像處理操作