【图像识别】openCV基础知识

news2024/9/30 5:29:07

图像处理基础

一、使用OpenCV前要准备的工作
- 1.先导入需要用到的库
- 2.自定义，图片展示函数
二、开始学习常用函数
- 1.生成随机整数
- - ①. 函数说明
  - ②.代码
  - - a. 二维灰度图
    - b. 三维彩色图
  - ③.代码现象
  - - a. 二维灰度图
    - b. 三维彩色图
- 2.通道的分离与合并
- - ①先导入一张图片
  - ② 将其RGB分离开
  - - 函数说明
  - ③可以查看当前图片的尺寸与通道数
  - - 函数说明
  - ④将分离开的图像通道合并成一张彩色图
  - - 函数说明
- 3.彩色图转灰度图
- - ①可以将上面分离出来的r、g、b 按照比例相加，便可转化为灰度图
  - - a.再将其转换成uint8类型的，方便后续处理
  - ②OpenCV提供的函数
  - 思考：灰度图可以转换回彩色图吗？
- 4.图像二值化
- - ① 直接写
  - ① OpenCV提供的函数
- 4.图像运算
- - ① 相乘（掩膜）
  - ① 相除（矫正设备，比较差异）
- 5. 两图像相加减乘除
- - ① 相加
  - - a.这样直接相加的话，当2个点的值大于255时，它的差值会自动跳到从1开始
    - b.而OpenCV提供的函数则不会，当和超过255时，它会自动固定在最大值255
    - c.优化：给两张相加的图各乘1个0.5，bingo！
    - d.虽然与c.的现象差不多，但是它们的数据类型是不一样的
  - ② 相减
  - - 注意直接相减与 OpenCV库函数的不同
  - ③ 相乘
  - - - 细节
  - ④ 相除
- 5. 两图像相加减乘除
三、小任务：图像融合
- 1、导入图片
- 2、提取所需要的特征
- 3、结果就融合啦
- 4、保存

一、使用OpenCV前要准备的工作

1.先导入需要用到的库

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv

2.自定义，图片展示函数

定义好了，调用方便。

def show(img):
    if img.ndim == 2: #这句话是用来判断是否为灰度图的
        plt.imshow(img, cmap='gray', vmin=0, vmax=255)
    else:
        plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))

二、开始学习常用函数

1.生成随机整数

random_int = np.random.randint(low, high=None, size=None, dtype=int)

①. 函数说明

low：生成的随机整数范围的下限（包含），默认为0。
high：生成的随机整数范围的上限（不包含）。
size：生成的随机整数的形状，可以是整数、元组或列表，默认为None。
【参数为 (x,y)生成的整数为二维的，就是灰度图嘛； (x,y,z)生成的整数为三维的，那就是彩色图咯！】
dtype：生成的随机整数的数据类型，默认为int。
a. 生成一个范围在0到9之间（包含0，不包含9）的随机整数：
random_int = np.random.randint(0, 9)
print(random_int)
b. 生成一个范围在5到10之间（包含5，不包含10）的2x3的随机整数矩阵：
random_int_matrix = np.random.randint(5, 10, size=(2, 3))
print(random_int_matrix)

②.代码

a. 二维灰度图

A = np.random.randint(0,256,(2,4),dtype = np.uint8)
A
show(A)

b. 三维彩色图

B = np.random.randint(0,256,(2,4,3),dtype = np.uint8)
B
show(B)

③.代码现象

a. 二维灰度图

在这里插入图片描述

b. 三维彩色图

在这里插入图片描述

2.通道的分离与合并

①先导入一张图片

img = cv.imread('pic/cubic500x500.jpg')
show(img)

在这里插入图片描述

② 将其RGB分离开

b,g,r = cv.split(img)
show(r)

函数说明

cv.split() 是 OpenCV 库中用于分离图像通道的函数。它将输入的彩色图像分离成每个通道的单独图像。
在函数调用 b,g,r = cv.split(img) 中，img 是输入的彩色图像。函数将会返回三个分别表示蓝色通道、绿色通道和红色通道的图像。

在这里插入图片描述

③可以查看当前图片的尺寸与通道数

img.shape

很容易看得出来，500,500 对应图片的尺寸，3 对应通道数（彩色的）

在这里插入图片描述

函数说明

img.shape 是一个 NumPy 数组属性，用于获取图像的形状信息。
对于一张图像，它通常由三个维度构成：高度、宽度和通道数。img.shape 返回一个表示图像形状的元组，其中包含这三个维度的值。
如果图像是灰度图像，则只有高度和宽度两个维度；如果图像是彩色图像，则还包含通道数（通常为 3）。

④将分离开的图像通道合并成一张彩色图

img2 = cv.merge([b, g, r])
show(img2)

函数说明

cv.merge() 是 OpenCV 库中用于将分离的图像通道合并成彩色图像的函数。它接受一个由各通道图像组成的列表作为输入，并返回一个合并后的彩色图像。
在函数调用 img2 = cv.merge([b, g, r]) 中，[b, g, r] 是一个包含蓝色通道、绿色通道和红色通道图像的列表。函数将会将这些通道图像合并成一张彩色图像，并将结果赋值给 img2。

在这里插入图片描述

3.彩色图转灰度图

①可以将上面分离出来的r、g、b 按照比例相加，便可转化为灰度图

相乘的分数值，和为1即可。太大，太小会出现问题
在这里插入图片描述

a.再将其转换成uint8类型的，方便后续处理

两种方式：

gray2 = np.uint8(gray1)
gray2

gray3 = gray1.astype(np.uint8)
gray3

②OpenCV提供的函数

gray4 = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
show(gray4)

思考：灰度图可以转换回彩色图吗？

将灰度图像转换回彩色图像的过程是一个无法还原的操作，因为在将彩色图像转换为灰度图像时，颜色信息已经丢失了。所以从灰度图像直接恢复到原始的彩色图像是不可能的。
然而，你可以通过一些方法将灰度图像着色来生成一张类似于彩色图像的图像，但这并不是真实的彩色。这种方法被称为着色化或彩色重建。
一种常见的着色化方法是使用深度学习模型，它可以从灰度图像中学习到彩色映射。这些模型通过训练大量的彩色图像和对应的灰度图像对来学习映射关系，并用于将灰度图像着色。