¶ 数字图像处理基础
¶ 获取图像属性
- img.shape：打印图片的高、宽和通道数（当图片为灰度图像时，颜色通道数为1，不显示）
- img.size：打印图片的像素数目
- mg.dtype：打印图片的格式
代码如下所示：
import cv2
img = cv2.imread("cat.jpeg")
imgGrey = cv2.imread("cat.jpeg", False)
print(img.shape)
print(imgGrey.shape)
print(img.size)
print(img.dtype)
cv2.imshow('Image', img)
cv2.imshow('Image Grey', imgGrey)
cv2.waitKey(0)
cv2.destroyAllWindows()
¶ 从一张图片截取一个ROI区域
有时候我们会只对一张图片的一部分感兴趣，这里就要设定一个ROI区域。
import cv2
img = cv2.imread("cat.jpeg")
region = img[150:600, 150:650]
cv2.imshow('Image', img)
cv2.imshow("Region", region)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果如下所示(左侧为原图，右侧为截取的ROI区域)：
¶ 图像颜色通道的分离与合并
- cv2.split(m)：将图片m分离为三个颜色通道
- cv2.merge(mv)：将三个颜色通道合并为一张图片
import cv2
# 读取图像
img = cv2.imread("cat.jpeg")
# 显示原始图像
cv2.imshow('Original Image', img)
# 分离颜色通道
blue, green, red = cv2.split(img)
# 显示分离后的颜色通道
cv2.imshow('Blue Channel', blue)
cv2.imshow('Green Channel', green)
cv2.imshow('Red Channel', red)
# 合并颜色通道
merged = cv2.merge([blue, green, red])
# 显示合并后的图像
cv2.imshow('Merged Image', merged)
# 等待用户按下任意键退出
cv2.waitKey(0)
# 销毁所有窗口
cv2.destroyAllWindows()
在上述代码中，我们首先使用cv2.imread()函数读取图像文件"cat.jpeg"，并将结果存储在变量img中。
然后，我们使用cv2.split()函数将图像的颜色通道分离为蓝色、绿色和红色通道，并将它们分别存储在变量blue、green和red中。
接下来，我们使用cv2.imshow()函数显示原始图像和分离后的颜色通道。
然后，我们使用cv2.merge()函数将分离的颜色通道合并成一个图像，并将结果存储在变量merged中。
最后，我们再次使用cv2.imshow()函数显示合并后的图像。用户可以按下任意键退出，然后使用cv2.destroyAllWindows()销毁所有窗口。
请注意，上述代码假设图像是一个BGR图像，即蓝色通道位于索引0，绿色通道位于索引1，红色通道位于索引2。
如果图像的通道顺序不同（如RGB），则需要相应地调整代码。
图像颜色通道的分离与合并在图像处理、计算机视觉、特征提取等场合中有用。具体来说，包括但不限于以下应用：
- 颜色空间转换：图像处理中经常需要在不同的颜色空间之间进行转换，如RGB与HSV、YUV等。这时就需要分离颜色通道，进行转换后再合并。
- 特定颜色特征的处理：有时需要对图像的某一特定颜色通道进行处理，如增强红色通道以增强图像中的红色物体。这时就需要分离出对应的颜色通道进行处理。
- 通道间的特征融合：在一些计算机视觉任务中，不同的颜色通道可能包含不同的图像特征信息。通过分离通道，可以单独处理或提取这些特征，然后再进行合并，以实现特征的融合。
- 图像编辑与合成：在图像编辑和合成应用中，通过对各个颜色通道进行分离和编辑，可以实现一些特殊的效果，如改变图像的色调、对比度和亮度等。
¶ 两张图片相加
- cv2.add(src1, src2)：普通相加
- cv2.addWeighted(src1, alpha, src2, w2，beta)：带权相加
参数含义如下：
- src1：第一张图片
- alpha：第一张图片权重
- src2：第二张图片
- beta：第二张图片权重
- gamma：图1与图2作和后添加的数值。
- dst：输出图片。
需要注意的是，相加的两张图片的长宽必须完全一致！！如果一致可以直接相加：
import cv2
img1 = cv2.imread("cat.jpeg")
img2 = cv2.imread("dog.jpeg")
add1 = cv2.add(img1,img2)
add2 = cv2.addWeighted(img1, 0.5, img2, 0.5, 3)
cv2.imshow("add1", add1)
cv2.imshow("add2", add2)
cv2.waitKey()
如果长宽不一致，计算后相加：
import cv2
# 读取两张图片
img1 = cv2.imread("cat.jpeg")
img2 = cv2.imread("dog.jpeg")
# 获取两张图片的尺寸
height1, width1 = img1.shape[:2]
height2, width2 = img2.shape[:2]
# 判断两张图片的尺寸是否一致，如果不一致，调整img2的尺寸
if height1 != height2 or width1 != width2:
img2 = cv2.resize(img2, (width1, height1))
# 进行图像的加法操作
add1 = cv2.add(img1, img2)
# 进行加权加法操作
add2 = cv2.addWeighted(img1, 0.5, img2, 0.5, 3)
# 显示结果
cv2.imshow("add1", add1)
cv2.imshow("add2", add2)
cv2.waitKey()
图像相加在多个场合有用，其中包括图像处理、计算机视觉、深度学习等领域。以下是图像相加一些主要的应用场合：
- 图像增强：通过图像相加，可以增强图像的某些特征。例如，在医学图像处理中，可以将不同模态的图像（如CT和MRI图像）相加，以综合各种信息，更好地诊断和治疗疾病。
- 图像融合：图像相加也可用于图像融合，将多个源图像的信息融合到一个图像中。这在遥感、监控、军事等领域有广泛应用。例如，在多焦点图像融合中，可以将不同焦点的图像相加，生成一幅全焦点的图像。
- 动态范围扩展：通过图像相加，可以扩展图像的动态范围，即增加图像中的亮度和颜色信息。这对于在高动态范围（HDR）显示和应用中呈现更多细节和颜色非常有用。
- 平均降噪：在图像处理中，对同一场景的多幅图像求平均是一种常用的降噪方法。这种方法基于噪声的随机性，通过平均多幅图像来降低噪声的影响，提高图像的信噪比。
- 计算机视觉和深度学习：在计算机视觉和深度学习中，图像相加可以作为数据增强的一种手段。通过对训练集中的图像进行相加操作，可以增加数据的多样性，提高模型的泛化能力。
需要注意的是，图像相加并非简单的将两个图像的像素值相加，而需要考虑图像的亮度、颜色、对比度等因素。
在实际应用中，还需要根据具体需求和场景选择合适的图像相加方法和算法。
¶ 像素的单独运算
import cv2
import numpy as np
# 读取两张图片
img1 = cv2.imread("image1.jpg")
img2 = cv2.imread("image2.jpg")
# 确保两张图片的尺寸是相同的
if img1.shape != img2.shape:
print("两张图片的尺寸必须相同!")
exit()
# 加法操作
add = cv2.add(img1, img2)
# 减法操作
subtract = cv2.subtract(img1, img2)
# 乘法操作
multiply = cv2.multiply(img1, img2)
# 除法操作
divide = cv2.divide(img1, img2)
# 与操作
bitwise_and = cv2.bitwise_and(img1, img2)
# 或操作
bitwise_or = cv2.bitwise_or(img1, img2)
# 非操作
bitwise_not = cv2.bitwise_not(img1)
# 异或操作
bitwise_xor = cv2.bitwise_xor(img1, img2)
# 创建一个新的窗口来显示每个操作的结果
titles = ['Original Image1', 'Original Image2', 'Add', 'Subtract', 'Multiply', 'Divide', 'Bitwise And', 'Bitwise Or', 'Bitwise Not', 'Bitwise Xor']
images = [img1, img2, add, subtract, multiply, divide, bitwise_and, bitwise_or, bitwise_not, bitwise_xor]
for i in range(10):
cv2.imshow(titles[i], images[i])
# 等待用户关闭窗口
cv2.waitKey(0)
# 关闭所有窗口
cv2.destroyAllWindows()
我们首先读取两张图像并检查它们的尺寸是否相同。
然后，我们对每个像素进行各种操作，包括加减乘除、位操作等。
最后，我们创建一个新的窗口来显示每个操作的结果。
程序会等待用户关闭窗口，然后关闭所有的窗口。
¶ 泛洪填充
import cv2
import numpy as np
def flood_fill(img, seed_point, new_val, lo_diff=100, up_diff=100, conn=8):
"""
泛洪填充算法实现
参数:
img: 需要处理的图像
seed_point: 泛洪填充的起始点
new_val: 新的颜色值
lo_diff: 最大值与最小值之差的下限
up_diff: 最大值与最小值之差的上限
conn: 连接方式，4代表四连接，8代表八连接
"""
height, width = img.shape[:2]
seed_y, seed_x = seed_point
cv2.floodFill(img, None, seed_point, new_val, loDiff=lo_diff, upDiff=up_diff, flags=conn)
# 读取图片
img = cv2.imread('cat.jpeg')
cv2.imshow('Raw Image', img)
# 确保图片读取正确
if img is not None:
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 选择一个起始点进行泛洪填充
seed_point = (50, 450)
# 新的颜色
new_color = (255, 0, 0) # BGR format
# 进行泛洪填充
flood_fill(img, seed_point, new_color)
# 显示填充后的图片
cv2.imshow('Filled Image', img)
# 等待用户按键，然后关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()
else:
print("Error: Unable to read the image.")
如下图所示，将左下角的图像泛洪填充成另一个颜色。
