目錄

0 程序環境與所學函數

1 自定義圖像

2 三種常見圖像相互轉換

3 通道分離與合并

4 兩圖像的加減乘除

5 圖像線性變換和非線性變換

?6 圖像融合

---

0 程序環境與所學函數

本章程序運行需要導入下面三個庫，并定義了一個顯示圖像的函數

import cv2 as cv import numpy as np import matplotlib.pyplot as pltdef show(img):if img.ndim == 2:plt.imshow(img, cmap='gray')else:plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))plt.show()

所學函數

## 1. 圖像讀取
img = cv.imread()

## 2. 彩色圖轉灰度圖
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

## 3. 二值化圖像（灰度圖轉二值圖）
_, img_bin = cv.threshold(img_gray, th1, th2, cv.THRESH_BINARY)

## 4. 保存圖像
cv.imwrite('pic/bear_gray.jpg', img_gray)

## 5. 通道分離
b, g, r = cv.split(img)

## 6. 通道合并
img_new = cv.merge([b, g, r])

## 7. 兩圖像相加、相減、相乘、相除
img = cv.add(img1, img2)
img = cv.subtract(img1, img2)
img = cv.multiply(img1, img2)
img = cv.divide(img1, img2)

1 自定義圖像

二值圖：只有兩種取值。

對于計算機來說，圖像是一個個數組，數組里面一個數字代表一個像素，0表示黑色，1表示白色

灰度圖：對應于一個二維數組，8位灰度圖，每個像素有256種取值

真彩色：對應于一個三維數組，（x,y,3）---3表示rgb三通道，r,g,b通道各有8位

假彩色：8位表示256種顏色

程序參考：

b = np.array([[0, 127, 255],[255, 0, 255],[10, 50, 100] ], dtype=np.uint8)g = b.T r = b - g# show(b) show(cv.merge([b, g, r]))# cv.imwrite()

2 三種常見圖像相互轉換

# 讀取彩色圖 img = cv.imread('pic/bear500x333.jpg') # print(img) show(img)# 讀取灰度圖 # img_gray = cv.imread('pic/cat200x192.jpg', 0) img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) show(img_gray)# 二值化圖像thresh= 125 #自定義一個閾值 gray4[gray4 > thresh] = 255 # 表示gray4中大于閾值的點都賦值為255 gray4[gray4 <= thresh] = 0 # 表示gray4中小于閾值的點都賦值為0 show(gray4)_, img_bin = cv.threshold(img_gray, 150, 255, cv.THRESH_BINARY) #函數表示將灰度圖轉化為二值圖，將圖像數組中小于150的值變成0，將值高于150的值變成255，前面有返回值，可以設為ignore show(img_bin)# 保存圖像 cv.imwrite('pic/bear_gray.jpg', img_gray) cv.imwrite('pic/bear_bin.jpg', img_bin)

3 通道分離與合并

# 分離BGR通道 # r = img[:,:,0] b, g, r = cv.split(img) # b.shape show(r)# 合并BGR通道 img_new = cv.merge([b, g, r]) show(img_new)# rgb轉灰度圖 img_gray2 = 0.114*b + 0.587*g + 0.299*r # img_gray2 = (0.299*r + 0.587*g + 0.114*b).astype(np.uint8) show(img_gray2)

4 兩圖像的加減乘除

讀入兩幅圖像

bg = cv.imread('pic/line500x500.jpg', 0) ob = cv.imread('pic/hedgehog500x500.jpg', 0)show(np.hstack([bg, ob]))

顯示如下：

?圖像相加：混合圖像，添加噪聲

# 圖像相加 # img_add = cv.add(bg*0.5, ob*0.5) img_add = bg * 0.5 + ob * 0.5 show(img_add)#img = cv.addWeighted(img1, alpha, img2, beta, gamma) img_add2= cv.addWeighted(obj,0.5,bg,0.5,0) #會轉換圖像數據類型為uint8型而cv.add（）不會 show(img_add2)

如果不添加權重，兩幅圖相加，數值可能會大于255，進入循環成其他數值，造成與預期不符，添加權重后則不會出現這種情況。

?顯示結果

?圖像相減：消除背景、差影法（比較差異、運動跟蹤）

#圖像減法 img_sub = (img_add - bg*0.5)*2 # *2之后恢復成原來的前景圖 #img_sub = np.uint8((img_add-bg*0.5)*2) 強制轉換為無符號8整型 img_sub2 = cv.subtract(img_add,bg*0.5)show(np.hstack([img_sub,img_sub2]))

顯示結果

圖像相乘：掩膜

# 圖像乘法 mask = mask/255 #這一行只能運行一次，如果多此運行則會不斷迭代相除，造成與預期不符發生 img_nul = obj * mask img_mul2 = cv.multiply(obj*1.0,mask) #這個函數只能對同類型數組進行操作，轉化為浮點數 show(np.hstack([mask,obj,img_mul,img_mul2]))

顯示結果

圖像相除：校正設備、比較差異

#除法 #img_div = obj / noise img_div = obj / (np.float64(noise)+1) #避免了除0的情況 #img_div2 = cv.divide(obj,noise) img_div2 = cv.divide(obj,noise+1) show(np.hstack([obj,noise,img_div,img_div2]))

顯示結果

5 圖像線性變換和非線性變換

原理：

?先讀入一幅灰度圖像并顯示其類型

img = cv.imread('pic/cat500x480.jpg',0) # 0表示讀取灰度圖 show(img) img.dtype

顯示結果：圖像數組內值為8位無符號整型

?先按照下面線性函數定義顯示以下

b = 20 k = 2 img2 = b + k * imgshow(img2)

顯示結果：

我們運行不會得到自己想要的結果，因為是無符號八位的，經過線性變換后，可能超過255，會循環成一些我們不希望出現的值。做如下改進：

#改進： b = 20 k = 2 img2 = b + k * img.astype(np.int32) # astype 按照類型 np.int32型 img2 = np.clip(img2,0,255) #截斷函數，小于等于0的變成0，大于等于255的變成255 show(img2)

?opencv里面函數實現 ：img= cv.convertScaleAbs(img,alpha=1,beta=0),這個函數將數組內小于等于0的值變為0，大于等于255的值變為255，s=b+kr,alpha相當于k，beta相當于b，程序如下

img3 = cv.convertScaleAbs(img,alpha=2,beta=3) show(img3)

結果顯示：

非線性變換---對數變換

img4 = 10 + np.log(img.astype(np.float32)+1)/0.1 #防止出現除0的情況出現show(img4)

結果顯示

?非線性變換---指數變換（伽馬變換）

img01 = img / 255 #每運行一次就會更改一次，這一行運行一次就好，不然會與預期不符img05 = np.power(img01,0.5)*255 img15 = np.power(img01,1.5)*255show(np.hstack([img05,img,img15]))

結果顯示：指數小于1的圖像變亮，指數大于1的圖像變暗，與原理圖示相符合。

6 圖像融合

讀取圖像并顯示：

A = cv.imread('pic/petal500x500.jpg') B = cv.imread('pic/hedgehog500x500.jpg') M = cv.imread('pic/mask500x500.jpg')show(np.hstack([A,B,M]))

顯示

相關操作

M = M/255 #注意，這行程序只能運行一遍，多次運行造成與預期不符 As = A * (1 - M) Bs =B * Mshow(np.uint8(np.hstack([As,Bs])))

結果顯示：

?進行融合

nice = cv.add(As,Bs*0.8) show(nice.astype(np.uint8))

最終融合結果

?

總結

以上是生活随笔為你收集整理的【图像处理opencv】_图像基础的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。