文章目录

• • 1.灰度处理
  • 2.颜色反转
  • 3.马赛克
  • 4.毛玻璃效果
  • 5.图像融合
  • 7.边缘检测

1.灰度处理

1.将cv2.imread()方法的第二参数设为0即可得到灰色图像

import cv2
import numpy as np
img0 = cv2.imread('img.jpg', 0)
img1 = cv2.imread('img.jpg', 1)
print(img0.shape)
print(img1.shape)
cv2.imshow('img0', img0)
cv2.waitKey(0)

(270, 360)
(270, 360, 3)

2.通过cv2.cvtColor方法对图像进行灰度转换

cv2.cvtColor(src, code, dst, dstCN):

-src: 目标图像
-code: 颜色转换方式
-dst: 图像大小
-dstCN: 颜色通道大小

import cv2
import numpy as np
img = cv2.imread('img.jpg', 1)

dat = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY )
cv2.imshow('dat', dat)
cv2.waitKey(0)

原理

灰色图像的所有颜色通道的值相等，所以要想将彩色图像变为灰色图像，只需将他们颜色通道的值相等即可。

3.下面我们通过源码设置它们的颜色均值来使彩色图像变为灰色图像

import cv2
import numpy as np
img = cv2.imread('img.jpg', 1)
dat = np.zeros((img.shape[0], img.shape[1]), np.uint8)
for i in range(0, img.shape[0]):
    for j in range(0, img.shape[1]):
        (b, g, r) = img[i, j]
        gray = (int(b) + int(g) +int(r)) / 3
        dat[i, j] = np.uint(gray)
cv2.imshow('dat', dat)
cv2.waitKey(0)

4.通过设置 gray = r * 0.299 + g * 0.587 + b * 0.114 来变为灰色图像

import cv2
import numpy as np
img = cv2.imread('img.jpg', 1)
dat = np.zeros((img.shape[0], img.shape[1]), np.uint8)
for i in range(0, img.shape[0]):
    for j in range(0, img.shape[1]):
        (b, g, r) = img[i, j]
        gray = int(b) * 0.114 + int(g) * 0.587 +int(r) * 0.299
        dat[i, j] = np.uint(gray)
cv2.imshow('dat', dat)
cv2.waitKey(0)

2.颜色反转

将图像的颜色反转也就是让255减去当前的颜色值

下面我们来实现灰色图像的颜色反转：

import cv2
import numpy as np
img = cv2.imread('img.jpg', 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dat = np.zeros((img.shape[0], img.shape[1]), np.uint8)
for i in range(gray.shape[0]):
    for j in range(gray.shape[1]):
        dat[i, j] = 255 - gray[i, j]

cv2.imshow('dat', dat)
cv2.waitKey(0)

彩色图像的颜色反转也是一样的道理:

import cv2
import numpy as np
img = cv2.imread('img.jpg', 1)

dat = np.zeros((img.shape[0], img.shape[1], img.shape[2]), np.uint8)
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        (b, g, r) = img[i, j]
        dat[i, j] = (255 - b, 255 - g, 255 - r)
cv2.imshow('src', img)
cv2.imshow('dat', dat)
cv2.waitKey(0)

3.马赛克

原理: 取一个指定大小的窗口，将该窗口填充为一个颜色

下面我们将窗口设置为10*10来生成一个马赛克图像

import cv2
import numpy as np
img = cv2.imread('img.jpg', 1)
height = img.shape[0]
width = img.shape[1]

for m in range(50, 150):
    for n in range(100, 200):
        if m % 10 == 0 and n % 10 == 0:
            for i in range(10):
                for j in range(10):
                    (b, g,r) = img[m, n]
                    img[m + i, n + j] = (b, g, r)
cv2.imshow('img', img)
cv2.waitKey(0)

4.毛玻璃效果

原理: 将当前的像素颜色随机设置为窗口中的一个颜色

这里我们设置窗口为8*8来生成一个毛玻璃图像

import cv2
import random
import numpy as np
img = cv2.imread('img.jpg', 1)
height = img.shape[0]
width = img.shape[1]
dat = np.zeros(img.shape, np.uint8)
for m in range(height - 8):
    for n in range(width - 8):
        index = int(random.random() * 8)
        (b, g, r) = img[m + index, n + index]
        dat[m, n] = (b, g, r)
cv2.imshow('dat', dat)
cv2.waitKey(0)

5.图像融合

图片乘以比例系数相加得到俩张图片的融合效果：

target = src1 * a +src2 * (1 - a)

cv2.addWeighted(src1, alpha, src2, beta, gamma):

-src1: 第一张图像
-alpha: 第一张图像的权重
-src2: 第二张图像
-beta: 第二张图像的权重
-gamma: 要添加的标量

import cv2
import numpy as np
img1 = cv2.imread('img3.jpg', 1)
img2 = cv2.imread("img2.png", 1)

dat = np.zeros(img1.shape, np.uint8)
dat = cv2.addWeighted(img1, 0.5, img2, 0.5, 0)

cv2.imshow('dat', dat)
cv2.waitKey(0)

7.边缘检测

canny边缘检测:

首先，图像降噪。我们知道梯度算子可以用于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。

第二步，计算图像梯度，得到可能边缘。计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地方，而边缘也是灰度变化明显的地方。当然这一步只能得到可能的边缘。因为灰度变化的地方可能是边缘，也可能不是边缘。这一步就有了所有可能是边缘的集合。

第三步，非极大值抑制。通常灰度变化的地方都比较集中，将局部范围内的梯度方向上，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。

第四步，双阈值筛选。通过非极大值抑制后，仍然有很多的可能边缘点，进一步的设置一个双阈值，即低阈值（low），高阈值（high）。灰度变化大于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。

这样做的目的是只保留强边缘轮廓的话，有些边缘可能不闭合，需要从满足low和high之间的点进行补充，使得边缘尽可能的闭合。

import cv2
import numpy
import random
img = cv2.imread('img.jpg', 1)
cv2.imshow('src', img)
# canny 1 gray 2 高斯 3 canny
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
imgG = cv2.GaussianBlur(gray, (3,3), 0)
dat = cv2.Canny(img, 50, 50)
cv2.imshow('dat', dat)
cv2.waitKey(0)

sobel算子：

利用Sobel算子对图像的每一个像素进行卷积运算得到图像梯度( x 方向和 y 方向)，我们可以通过计算sqrt(a**2 + b**2)来得到梯度幅值（其中 a 和 b 分别为水平方向的梯度和竖直方向的梯度），判断该值是否大于判决门限，如果大于则认为是边缘

下面我们用源码来实现：

import cv2
import math
import numpy as np
import random
img = cv2.imread('img.jpg', 1)
cv2.imshow('src', img)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为灰色图像
dat = np.zeros((img.shape[0], img.shape[1], 1), np.uint8) #生成空模板

for i in range(img.shape[0] - 2):
    for j in range(img.shape[1] - 2):
        # 求梯度
        gy = gray[i, j] + gray[i, j + 1] * 2 + gray[i,j + 2] - (gray[i + 2, j] + gray[i + 2, j + 1] * 2 + gray[i + 2, j + 2])
        gx = gray[i, j] + gray[i + 1, j] * 2 + gray[i + 2, j] - (gray[i, j + 2] + gray[i + 1, j + 2] * 2 + gray[i + 2, j + 2])
        #得到梯度幅值
        grad = math.sqrt(gx*gx + gy*gy)
        if grad > 50:  # 判断是否为边缘
            dat[i, j] = 255
        else:
            dat[i, j] = 0
cv2.imshow('dat', dat)
cv2.waitKey(0)