华为AI认证＿图像处理实验（图像预处理）

实验一：灰度变化

代码：

import cv2
import numpy as np

def liner_trans(org,k,b=0):
"""
    灰度变化
    :param img:
    :param k: k>1&#x65F6; &#x5B9E;&#x73B0;&#x7070;&#x5EA6;&#x6570;&#x503C;&#x7684;&#x62C9;&#x4F38;&#xFF0C;0<k<1 时 实现灰度数值的压缩， k="-1" b="255" 实现灰度数值的反转 :param b:灰度值 :return: """ # 计算灰度的线性变化映射表 translist="[(np.float32(x)*k+b)" for x in range(256)] print("映射表",translist) 需要转化为np.array transtable="np.array(translist)" 将查出[0,255]的灰度值进行调整，并指定数据类型为uint8 transtable[transtable> 255] = 255
    transTable[transTable < 0] = 0

    transTable = np.round(transTable).astype(np.uint8)
    # &#x4F7F;&#x7528;openCV&#x7684;look up table &#x4FEE;&#x6539;&#x56FE;&#x7247;&#x7684;&#x7070;&#x5EA6;&#x503C;
    return cv2.LUT(org,transTable)

if __name__ == '__main__':
    im=cv2.imread('data/mok.png')
    cv2.imshow('org',im)

    # &#x53CD;&#x8F6C;
    # img=liner_trans(im,-1,255)
    # cv2.imshow("invsion",img)

    # &#x7070;&#x5EA6;&#x62C9;&#x4F38;
    # img = liner_trans(im, 1.2)
    # cv2.imshow("graystretch", img)

    # &#x7070;&#x5EA6;&#x538B;&#x7F29;
    img = liner_trans(im, 0.8)
    cv2.imshow("graycompress", img)

    cv2.waitKey()
    cv2.destroyAllWindows()</k<1>

运行：

1.1 灰度反转

反转
img=liner_trans(im,-1,255)
cv2.imshow("invsion",img)

1.2 灰度拉伸

灰度拉伸
img = liner_trans(im, 1.2)
cv2.imshow("graystretch", img)

1.3 灰度压缩

灰度压缩
img = liner_trans(im, 0.8)
cv2.imshow("graycompress", img)

1.4 gamma矫正

代码：

def gamma_tarns(img,gamma):
"""
    伽马矫正
    :param img:
    :param gamma: 伽马值
    :return:
"""
    #先归一化到1 做伽马计算 再还原到[0,255]
    gammaList=[np.power(x/255.0,gamma)*255.0 for x in range(256)]

    #将数据转换为np.array 并且指定数据类型为uint8
    gammaTable=np.round(np.array(gammaList).astype(np.uint8))

    print(gammaTable)
    # 使用openCV 的look up table函数修改图像的灰度值
    return cv2.LUT(img,gammaTable)

1.4.1 使用伽马值为 0.5的变化 实现对暗部的压缩 亮部的拉伸

1.4.2 使用伽马值为 2的变化 实现对亮部的压缩 暗部的拉伸

实验二：直方图

2.1 直方图的显示

代码：

import cv2
import matplotlib.pyplot as plt
#读取并显示图像

im=cv2.imread('data/1.png',0)
cv2.imshow("org",im)

#绘制灰度图像的直方图
plt.hist(im.ravel(),256,[0,256])
plt.show()

cv2.waitKey()
cv2.destroyAllWindows()

运行：

原图灰度图 灰度图直方图

2.2 直方图均衡化

代码：

import cv2
import matplotlib.pyplot as plt
#读取并显示图像

im=cv2.imread('data/1.png',0)
cv2.imshow("org",im)

#绘制灰度图像的直方图
plt.hist(im.ravel(),256,[0,256])
plt.show()

调用OpenCV的直方图均衡化API
im_equl=cv2.equalizeHist(im)
cv2.imshow('equal',im_equl)

显示原图像的直方图
plt.subplot(2,1,1)
plt.hist(im.ravel(),256,[0,256],label="org")
plt.legend()

显示均衡化图像的直方图
plt.subplot(2,1,2)
plt.hist(im_equl.ravel(),256,[0,256],label="equalize")
plt.legend()

plt.show()

cv2.waitKey()
cv2.destroyAllWindows()

运行：

原图灰度图 原图像的直方图

2.3 彩色直方图

代码

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

def imageHist(img,type):
    '''
    彩色直方图
    :param img:  通道数据
    :param type:  用于判断传入的是那个通道
    :return:
    '''

    # 判断传递进来的是那个通道
    if type == 31:  #  传入蓝色通道
        color = (255,0,0)
        winName = 'B Hist'
    elif type == 32:  # 绿色通道
        color = (0, 255, 0)
        winName = 'G Hist'
    else:
        color = (0, 0, 255)
        winName = 'R Hist'

    # 计算和绘制直方图
    hist = cv2.calcHist([img],[0],None,[256],(0.0,255.0))  # 计算直方图
    minV,maxV,minL,maxL = cv2.minMaxLoc(hist)  # 获取最大值和最小值，并且获取对应的下标
    print(minV,maxV,minL,maxL)
    histImage = np.zeros([256,256,3],np.uint8)  # 新建图像的模板，用于直方图的绘制

    for h in range(256):
        intenormal = int(hist[h] * 256 / maxV)  # 为了避免超出取值范围
        cv2.line(histImage,(h,256),(h,256-intenormal),color)
    cv2.imshow(winName,histImage)

if __name__ == '__main__':
    im = cv2.imread('data/1.png', 1)
    cv2.imshow('im',im)

    channels = cv2.split(im)  # 分割通道
    # print(channels)
    for i in range(3):
        print(channels[i])
        imageHist(channels[i],i+31)

    cv2.waitKey()
    cv2.destroyAllWindows()

考点：分割通道 channels = cv2.split(im) # 分割通道

运行：

比较 ：均值滤波 高斯滤波 中值滤波

3.1 均值滤波

代码：

import cv2
import numpy as np

def avg(img,size):
"""
    均值滤波
    :param img: 待处理的图像
    :param size: 滤波器尺寸
    :return:
"""

    avgImg=cv2.blur(img,size)
    cv2.imshow("avgImg",avgImg)

def gaussian(img,size):
"""
    高斯滤波
    :param img: 待处理的图像
    :param size: 滤波器尺寸
    :return:
"""
    gaussianImg=cv2.GaussianBlur(img,size,0)
    cv2.imshow("gaussianImg", gaussianImg)

def media(img,size):
"""
    中值滤波
    :param img: 待处理的图像
    :param size: 滤波器尺寸
    :return:
"""
    mediaImg=cv2.medianBlur(img,size)
    cv2.imshow("mediaImg", mediaImg)

def sharpen(img):
"""
    图像锐化
    :param img:
    :return:
"""
    #定义一个锐化算子
    M=np.array([
        [0,-1,0],
        [-1,9,-1],
        [-1,-1,-1]
    ])/4.0

    #进行滤波处理
    im_s=cv2.filter2D(img,-1,M)
    cv2.imshow('im_s',im_s)

if __name__ == '__main__':
    # im=cv2.imread('data/6.png',1)
    # cv2.imshow('im',im)
    # 均值滤波
    # avg(im,(5,5))

    #高斯滤波
    # gaussian(im,(5,5))

    # 中值滤波
    # media(im,5)

    #图像锐化
    im=cv2.imread('data/09.png',1)
    cv2.imshow('im',im)
    sharpen(im)

    cv2.waitKey()
    cv2.destroyAllWindows()

均值滤波:

均值滤波
avg(im,(5,5))

高斯滤波：

#高斯滤波
gaussian(im,(5,5))

中值滤波：

中值滤波
media(im,5)

图像锐化：

#图像锐化
im=cv2.imread('data/09.png',1)
cv2.imshow('im',im)
sharpen(im)

实验四： 图像二值化

4.1 简单二值化：

代码

import cv2

def simple(img):
    '''
    简单二值化
    :param img:
    :return:
    '''
    '''
        cv2.threshold()  二值化
        参数：
            第一个 待处理的图像
            第二个 阈值
            第三个 颜色值
            第四个 二值化的类型
                THRESH_BINARY  黑白二值
                THRESH_BINARY_INV  黑白的反转
                THRESH_TRUNC   得到的图像多为像素值
                THRESH_TOZERO  高于阈值时设置255  低于阈值不做处理
                THRESH_TOZERO_INV  低于阈值时设置255 高于阈值不做处理
        返回值
            第一个是阈值
            第二个是图像
    '''
    ret,thread1 = cv2.threshold(img,172,255,cv2.THRESH_BINARY)
    ret,thread2 = cv2.threshold(img,172,255,cv2.THRESH_BINARY_INV)
    ret,thread3 = cv2.threshold(img,172,255,cv2.THRESH_TRUNC)
    ret,thread4 = cv2.threshold(img,172,0,cv2.THRESH_TOZERO)
    ret,thread5 = cv2.threshold(img,172,255,cv2.THRESH_TOZERO_INV)

    cv2.imshow("thread1",thread1)
    cv2.imshow("thread2",thread2)
    cv2.imshow("thread3",thread3)
    cv2.imshow("thread4",thread4)
    cv2.imshow("thread5",thread5)

运行：

if __name__ == '__main__':
    im = cv2.imread('data/lena.jpg', 0)
    cv2.imshow('im',im)

    simple(im)
    # auto(im)

    cv2.waitKey()
    cv2.destroyAllWindows()

4.2 自适应阈值

代码

def auto(img):
    ret,thread1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

    '''
        adaptiveThreshold()  自适应阈值
        参数：
            第一个  待处理的图像
            第二个  像素值的上限
            第三个  自适应的方式
                ADAPTIVE_THRESH_MEAN_C   领域内的均值
                ADAPTIVE_THRESH_GAUSSIAN_C  领域内像素点的加权，权重为一个高斯窗口
            第四个  赋值的方法
            第五个  设定领域的大小（一个正方形领域）
            第六个  阈值等于均值或者加权值减去这个常数
    '''
    thread2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,5,2)
    thread3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)

    cv2.imshow('thread1',thread1)
    cv2.imshow('thread2',thread2)
    cv2.imshow('thread3',thread3)

运行：

if __name__ == '__main__':
    im = cv2.imread('data/lena.jpg', 0)
    cv2.imshow('im',im)

    # simple(im)
    auto(im)

    cv2.waitKey()
    cv2.destroyAllWindows()

实验五： 形态学运算

5.1 腐蚀

代码：

import cv2
import numpy as np

def corrode():
"""
    腐蚀
    :return:
"""
    # 读取图像并进行二值化处理
    im=cv2.imread('data/7.png',cv2.IMREAD_UNCHANGED)
    cv2.imshow('im',im)

    # 设置卷积核  生成一个5*5 全部为1 的矩阵
    kernrl=np.ones((5,5),np.uint8)
    # 图像的腐蚀
    erosion=cv2.erode(im,kernrl)
    cv2.imshow('erosion',erosion)

    cv2.waitKey()
    cv2.destroyAllWindows()
if __name__ == '__main__':
    corrode()

运行：

5.2 膨胀

代码：

def expand():
"""
       膨胀
       :return:
"""
    # 读取图像并进行二值化处理
    im = cv2.imread('data/7.png', cv2.IMREAD_UNCHANGED)
    cv2.imshow('im', im)

    # 设置卷积核  生成一个5*5 全部为1 的矩阵
    kernrl = np.ones((5, 5), np.uint8)
    # 图像的膨胀
    dest = cv2.dilate(im,kernrl)
    cv2.imshow('dest', dest)

    cv2.waitKey()
    cv2.destroyAllWindows()

if __name__ == '__main__':
    # corrode()
    expand()

运行

5.3 闭/开运算

代码:

def closepration():
"""
    闭运算
    :return:
"""
    # 读取图像并进行二值化处理
    im = cv2.imread('data/7.png', cv2.IMREAD_UNCHANGED)
    cv2.imshow('im', im)
    '''
    getStructuringElement() 用于构造一个特定大小和相撞的结构元素，用于形态学处理
        参数1：
        MORPH_RECT 矩形
        MORPH_CROSS 交叉型
        MORPH_ELLIPSE 椭圆型
    '''
    kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5 ))
    dest=cv2.morphologyEx(im,cv2.MORPH_CROSS,kernel)      #morphologyEx 该函数可以方便对图像进行一系列形态学运算  cv2.MORPH_CROSS 闭运算
    # dest = cv2.morphologyEx(im, cv2.MORPH_OPEN, kernel) #  cv2.MORPH_OPEN 开运算
    cv2.imshow("dest",dest)

    cv2.waitKey()
    cv2.destroyAllWindows()

运行;闭运算

Original: https://blog.csdn.net/weixin_41672684/article/details/124600100
Author: 熙仪繁华
Title: 华为AI认证＿图像处理实验（图像预处理）