Python-Level5-day09:图像色彩操作,图像形态操作,图像梯度处理

 

1.图像色彩操作

1）彩色图像转换为灰度图像

#彩色图像转换为灰度图像
import cv2
​
img = cv2.imread("../data/Linus.png", 1)  # 默认RGB 1彩色 0灰度
cv2.imshow("img", img)
​
# cvtcolor方法转换色彩空间
res = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow("img1", res)
​
cv2.waitKey()
cv2.destroyAllWindows()

2）色彩通道操作

# 处理图像通道操作
import cv2
​
img = cv2.imread("../data/opencv2.png")
cv2.imshow("img1", img)
​
# 取出蓝色通道，单个通道显示
b_img = img[:, :, 0]
cv2.imshow("img2", b_img)
​
# 将蓝色通道取出置0：去掉蓝色通道(索引为0的通道)
img[:, :, 0] = 0
cv2.imshow("img3", img)  # 绿+红 = 黄色背景
​
# 在蓝色通道设置为0的基础上，把绿色也设置0：去掉绿色通道(索引为1的通道)
img[:, :, 1] = 0
cv2.imshow("img4", img)
​
cv2.waitKey()
cv2.destroyAllWindows()

3）灰度直方图均衡化

# 灰度图像直方图均衡化
import cv2
import numpy as np
# import matplotlib as plt
import matplotlib.pyplot as plt
​
img = cv2.imread("../data/sunrise.jpg", 0)
cv2.imshow("img1", img)
​
res = cv2.equalizeHist(img)
cv2.imshow('img2', res)
​
# 绘制灰度直方图
## 原始直方图
print(res.shape)  # 查看图像维度：2维
plt.subplot(2, 1, 1)
plt.hist(img.ravel(),  # ravel返回一个连续的扁平数组:二维数据拉成一维
         256, [0, 256], label="orig")
plt.legend()
plt.show()
​
## 均衡化处理后的直方图
plt.subplot(2, 1, 2)
plt.hist(res.ravel(), 256, [0, 256], label="equalize")
plt.legend()
plt.show()
​
cv2.waitKey()
cv2.destroyAllWindows()

4）彩色图像直方图均衡化

# 彩色图像的亮度通道直方图均衡化：图片更亮
​
import cv2
​
img = cv2.imread('../data/sunrise.jpg')
cv2.imshow("img1", img)
​
# 把色彩BGR转化成YUV进行均衡化：YUV才有亮度通道
yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)  # 没必要显示yuv
print(yuv.shape)
yuv[...,0] = cv2.equalizeHist(yuv[..., 0])
res = cv2.cvtColor(yuv, cv2.COLOR_YUV2BGR)
cv2.imshow("img2", res)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

5）色彩提取

# 颜色提取
import cv2
import numpy as np
​
img = cv2.imread('../data/opencv2.png')
cv2.imshow('img', img)
​
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
​
# =============指定蓝色值的范围=============
# 蓝色H通道值为120，通常取120上下10的范围
# S通道和V通道通常取50~255间，饱和度太低、色调太暗计算出来的颜色不准确
minblue = np.array([110, 50, 50])
maxblue = np.array([130, 255, 255])
mask = cv2.inRange(hsv, minblue, maxblue)  # 确定蓝色区域
blue = cv2.bitwise_and(img, img, mask=mask)  # 原始图像与原始图像位与运算
cv2.imshow('blue', blue)
​
# =============指定绿色值的范围=============
minGreen = np.array([50, 50, 50])
maxGreen = np.array([70, 255, 255])
# 确定绿色区域
mask = cv2.inRange(hsv, minGreen, maxGreen)
# cv2.imshow("mask", mask)
# 通过掩码控制的按位与运算，锁定绿色区域
green = cv2.bitwise_and(img, img, mask=mask)  # 执行掩模运算
cv2.imshow('green', green)
​
# =============指定红色值的范围=============
minRed = np.array([0, 50, 50])
maxRed = np.array([30, 255, 255])
# 确定红色区域
mask = cv2.inRange(hsv, minRed, maxRed)
# cv2.imshow("mask", mask)
# 通过掩码控制的按位与运算，锁定红色区域
red = cv2.bitwise_and(img, img, mask=mask)  # 执行掩模运算
cv2.imshow('red', red)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

6）二值化与反二值化

# 二值化与反二值化
import cv2
​
img = cv2.imread("../data/lena.jpg", 0)
​
# 二值化：阈值根据我们实际需求定
t, rst = cv2.threshold(img, 111, 255, cv2.THRESH_BINARY)  # t是阈值111
print(t)
cv2.imshow('res', rst)
​
# 反二值化
t, rst = cv2.threshold(img, 111, 255, cv2.THRESH_BINARY_INV)  # t是阈值111
print(t)
cv2.imshow('res1', rst)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

2.图像形态操作

1）图像翻转：水平与垂直

# 图像翻转示例
import numpy as np
import cv2
​
im = cv2.imread("../data/Linus.png")
cv2.imshow("src", im)
​
# 0-垂直镜像
im_flip0 = cv2.flip(im, 0)
cv2.imshow("im_flip0", im_flip0)
​
# 1-水平镜像
im_flip1 = cv2.flip(im, 1)
cv2.imshow("im_flip1", im_flip1)
​
cv2.waitKey()
cv2.destroyAllWindows()

 

2）图像仿射变换:平移与旋转

# 图像仿射变换:平移与旋转
import numpy as np
import cv2
​
​
def translate(img, x, y):
    """
    坐标平移变换
    :param img: 原始图像数据
    :param x:平移的x坐标
    :param y:平移的y坐标
    :return:返回平移后的图像
    """
    h, w = img.shape[:2]  # 获取图像高、宽
​
    # 定义平移矩阵：规定好的矩阵核
    M = np.float32([[1, 0, x], [0, 1, y]])
    # 使用openCV仿射操作实现平移变换
    shifted = cv2.warpAffine(img, M, (w, h))  # 第三个参数为输出图像尺寸
​
    return shifted  # 返回平移后的图像
​
​
def rotate(img, angle, center=None, scale=1.0):
    """
    图像旋转变换
    :param img: 原始图像数据
    :param angle: 旋转角度
    :param center: 旋转中心，如果为None则以原图中心为旋转中心
    :param scale: 缩放比例，默认为1
    :return: 返回旋转后的图像
    """
    h, w = img.shape[:2]  # 获取图像高、宽
​
    # 旋转中心默认为图像中心
    if center is None:
        center = (w / 2, h / 2)
​
    # 计算旋转矩阵：生成的旋转矩阵
    M = cv2.getRotationMatrix2D(center, angle, scale)
​
    # 使用openCV仿射变换实现函数旋转
    rotated = cv2.warpAffine(img, M, (w, h))
​
    return rotated  # 返回旋转后的矩阵
​
​
if __name__ == "__main__":
    # 读取并显示原始图像
    im = cv2.imread("../data/Linus.png")
    cv2.imshow("SrcImg", im)
​
    # 图像向下移动50像素
    shifted = translate(im, 0, 50)#-50向上平移
    cv2.imshow("Shifted1", shifted)
​
    # 图像向左移动40, 下移动40像素
    shifted = translate(im, -40, 40)
    cv2.imshow("Shifted2", shifted)
​
    # 逆时针旋转45度
    rotated = rotate(im, 45)
    cv2.imshow("rotated1", rotated)
​
    # 顺时针旋转45度
    rotated = rotate(im, -45)
    cv2.imshow("rorated2", rotated)
​
    cv2.waitKey()
    cv2.destroyAllWindows()
​

 

 

3）图像缩小放大

# 图像缩放示例
import numpy as np
import cv2
​
im = cv2.imread("../data/Linus.png")
cv2.imshow("src", im)
​
h, w = im.shape[:2]  # 获取图像尺寸 216x160
print(h, w)
​
#缩小
dst_size = (int(w / 2), int(h / 2))  # 缩放目标尺寸，宽高均为原来1/2
resized = cv2.resize(im, dst_size)  # 执行缩放
cv2.imshow("reduce", resized)
​
#放大：最邻近插值法放大
dst_size = (200, 300)  # 缩放目标尺寸，宽200，高300
method = cv2.INTER_NEAREST  # 最邻近插值
resized = cv2.resize(im, dst_size, interpolation=method)  # 执行缩放
cv2.imshow("NEAREST", resized)
​
#放大：双线性插值法放大
dst_size = (200, 300)  # 缩放目标尺寸，宽200，高300
method = cv2.INTER_LINEAR  # 双线性插值
resized = cv2.resize(im, dst_size, interpolation=method)  # 执行缩放
cv2.imshow("LINEAR", resized)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

4）图像裁剪

# 图像裁剪
import numpy as np
import cv2
​
​
# 图像随机裁剪
def random_crop(im, w, h):
    start_x = np.random.randint(0, im.shape[1])  # 裁剪起始x像素
    start_y = np.random.randint(0, im.shape[0])  # 裁剪起始y像素
​
    new_img = im[start_y:start_y + h, start_x: start_x + w]  # 执行裁剪
​
    return new_img
​
​
# 图像中心裁剪
def center_crop(im, w, h):
    start_x = int(im.shape[1] / 2) - int(w / 2)  # 裁剪起始x像素
    start_y = int(im.shape[0] / 2) - int(h / 2)  # 裁剪起始y像素
​
    new_img = im[start_y:start_y + h, start_x: start_x + w]  # 执行裁剪
​
    return new_img
​
​
im = cv2.imread("../data/banana_1.png", 1)
​
new_img = random_crop(im, 200, 200)  # 随机裁剪
new_img2 = center_crop(im, 200, 200)  # 中心裁剪
​
cv2.imshow("orig", im)
cv2.imshow("random_crop", new_img)
cv2.imshow("center_crop", new_img2)
​
cv2.waitKey()
cv2.destroyAllWindows()​

 

5）图像相加

# 图像相加示例:加水印与降解椒盐噪声
import cv2
​
a = cv2.imread("../data/lena.jpg", 0)
b = cv2.imread("../data/lily_square.png", 0)
​
dst1 = cv2.add(a, b)  # 图像直接相加，会导致图像过亮、过白
​
# 加权求和：addWeighted
# 图像进行加权和计算时，要求src1和src2必须大小相同，resize缩放完成这个功能
dst2 = cv2.addWeighted(a, 0.6, b, 0.4, 0)
# 最后一个参数为亮度调节量：两个图像计算后在加上这个偏置
​
cv2.imshow("a", a)
cv2.imshow("b", b)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

6）图像相减

# 图像相减运算示例
import cv2
​
a = cv2.imread("../data/3.png", 0)
b = cv2.imread("../data/4.png", 0)
​
dst = cv2.subtract(a, b)  # 两幅图像相减，是求出图像的差异
​
cv2.imshow("a", a)
cv2.imshow("b", b)
cv2.imshow("dst1", dst)
​
cv2.waitKey()
cv2.destroyAllWindows()

 

7）透视变换

# 透视变换
import cv2
import numpy as np
​
img = cv2.imread('../data/pers.png')
rows, cols = img.shape[:2]
print(rows, cols)
​
# 输入图像四个顶点坐标：提前算出来的
pts1 = np.float32([[58, 2], [167, 9], [8, 196], [126, 196]])
# 输出图像四个顶点坐标：提前算出来的
pts2 = np.float32([[16, 2], [167, 8], [8, 196], [169, 196]])
​
# 生成透视变换矩阵:矩阵核 3x3
M = cv2.getPerspectiveTransform(pts1,  # 输入图像四个顶点坐标
                                pts2)  # 输出图像四个顶点坐标
print(M.shape)
# 执行透视变换，返回变换后的图像
dst = cv2.warpPerspective(img,  # 原始图像
                          M,  # 3*3的变换矩阵
                          (cols, rows))  # 输出图像大小
​
# 生成透视变换矩阵
M = cv2.getPerspectiveTransform(pts2,  # 输入图像四个顶点坐标
                                pts1)  # 输出图像四个顶点坐标
# 执行透视变换，返回变换后的图像
dst2 = cv2.warpPerspective(dst,  # 原始图像
                           M,  # 3*3的变换矩阵
                           (cols, rows))  # 输出图像大小
cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.imshow("dst2", dst2)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

8）图像腐蚀

# 图像腐蚀
import cv2
import numpy as np
​
# 读取原始图像
im = cv2.imread("../data/5.png")
cv2.imshow("im", im)
​
# 定义腐蚀核
kernel = np.ones((3, 3), np.uint8) # 用于腐蚀计算的核，越大腐蚀性越大
erosion = cv2.erode(im, # 原始图像
                    kernel,  # 腐蚀核
                    iterations=3) # 迭代次数:腐蚀核用几次，越大腐蚀性越大
cv2.imshow("erosion", erosion)
​
cv2.waitKey()
cv2.destroyAllWindows()

9）图像膨胀

# 图像膨胀
import cv2
import numpy as np
​
# 读取原始图像
im = cv2.imread("../data/6.png")
cv2.imshow("im", im)
​
# 膨胀
kernel = np.ones((3, 3), np.uint8)  # 用于膨胀计算的核
dilation = cv2.dilate(im,  # 原始图像
                      kernel,  # 膨胀核
                      iterations=5)  # 迭代次数
cv2.imshow("dilation", dilation)
​
cv2.waitKey()
cv2.destroyAllWindows()

 

10）图像开运算：先腐蚀再膨胀

# 开运算示例
import cv2
import numpy as np
​
# 读取原始图像
im1 = cv2.imread("../data/7.png")
im2 = cv2.imread("../data/8.png")
​
# 执行开运算
kernel = np.ones((10, 10), np.uint8)  # 开运算核
r1 = cv2.morphologyEx(im1, cv2.MORPH_OPEN, kernel)
r2 = cv2.morphologyEx(im2, cv2.MORPH_OPEN, kernel)
​
cv2.imshow("im1", im1)
cv2.imshow("result1", r1)
​
cv2.imshow("im2", im2)
cv2.imshow("result2", r2)
​
cv2.waitKey()
cv2.destroyAllWindows()​

 

 

11）图像闭运算：先膨胀再腐蚀

# 闭运算示例
import cv2
import numpy as np
​
# 读取图像
im1 = cv2.imread("../data/9.png")
im2 = cv2.imread("../data/10.png")
​
# 闭运算
k = np.ones((8, 8), np.uint8)
r1 = cv2.morphologyEx(im1, cv2.MORPH_CLOSE, k, iterations=2)
r2 = cv2.morphologyEx(im2, cv2.MORPH_CLOSE, k, iterations=2)
​
cv2.imshow("im1", im1)
cv2.imshow("result1", r1)
cv2.imshow("im2", im2)
cv2.imshow("result2", r2)
​
cv2.waitKey()
cv2.destroyAllWindows()

12）形态学梯度：膨胀减去腐蚀

# 形态学梯度示例:膨胀减去腐蚀
import cv2
import numpy as np
​
img = cv2.imread("../data/6.png")
​
kernel = np.ones((3, 3), np.uint8)  # 计算核
r = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
​
cv2.imshow("original", img)
cv2.imshow("result", r)
​
cv2.waitKey()
cv2.destroyAllWindows()

 

 

3. 图像梯度处理

1）模糊处理3个方法

# 梯度处理之图像模糊处理3个方法的示例
import cv2
import numpy as np  # 构建滤波器用
​
im = cv2.imread("../data/lena.jpg", 0)
cv2.imshow("orig", im)
​
## 中值滤波
# 调用medianBlur中值模糊
# 第二个参数为滤波模板的尺寸大小5x5，必须是大于1的奇数，如3、5、7
im_median_blur = cv2.medianBlur(im, 5)
cv2.imshow('median_blur', im_median_blur)
​
# 均值滤波
# 第二个参数为滤波模板的尺寸大小3x3
im_mean_blur = cv2.blur(im, (3, 3))
cv2.imshow("mean_blur", im_mean_blur)
​
# 高斯滤波
# 第三个参数为高斯核在X方向的标准差
im_gaussian_blur = cv2.GaussianBlur(im, (5, 5), 3)
cv2.imshow("gaussian_blur", im_gaussian_blur)
​
# 自己手动定义高斯算子和filter2D自定义滤波操作
gaussan_blur = np.array([
    [1, 4, 7, 4, 1],
    [4, 16, 26, 16, 4],
    [7, 26, 41, 26, 7],
    [4, 16, 26, 16, 4],
    [1, 4, 7, 4, 1]], np.float32) / 273  #273自己看图像试出来的
# 使用filter2D用来搞自己定义算子, 
# 第二个参数为目标图像的所需深度, -1表示和原图像相同通道数目
im_gaussian_blur2 = cv2.filter2D(im, -1, gaussan_blur)
cv2.imshow("gaussian_blur2", im_gaussian_blur2)
​
cv2.waitKey()
cv2.destroyAllWindows()
​

 

2）图像锐化处理