网站建站的具体流程兰州seo推广

《OpenCV计算机视觉》-对图片的各种操作（均值、方框、高斯、中值滤波处理）

边界填充

cv2.copyMakeBorder()是OpenCV库中的一个函数，用于给图像添加额外的边界(padding)。
copyMakeBorder(src: UMat, top: int, bottom: int, left: int, right: int, borderType: int, dst: UMat | None = ..., value: cv2.typing.Scalar = ...)
它有以下几个参数：
src:要扩充边界的原始图像。
top, bottom, left, right:相应方向上的边框宽度。
borderType:定义要添加边框的类型，它可以是以下的一种：
cv2.BORDER_CONSTANT:添加的边界框像素值为常数(需要额外再给定一个参数)。
cv2.BORDER_REFLECT:添加的边框像素将是边界元素的镜面反射，类似于gfedcba|abcdefgh|hgfedcba。 (交界处也复制了）
cv2.BORDER_REFLECT_101 或 cv2.BORDER_DEFAULT：和上面类似，但是有一些细微的不同，类似于gfedcb|abcdefgh|gfedcba  (交接处删除了）
cv2.BORDER_REPLICATE：使用最边界的像素值代替，类似于aaaaaa|abcdefgh|hhhhhhh
cv2.BORDER_WRAP：上下左右边依次替换，cdefgh|abcdefgh|abcdefg

ys = cv2.imread('demo1.png')
top,bottom,left,right = 50,50,50,50
constant = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(100,20,220))
reflect = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REFLECT101)
replicate = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_REPLICATE)
wrap = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_WRAP)cv2.imshow('yuantu',ys)
cv2.waitKey(0)
cv2.imshow('CONSTANT',constant)
cv2.waitKey(0)
cv2.imshow('REFLECT',reflect)
cv2.waitKey(0)
cv2.imshow('REFLECT101',reflect101)
cv2.waitKey(0)
cv2.imshow('REPLICATE',replicate)
cv2.waitKey(0)
cv2.imshow('WRAP',wrap)
cv2.waitKey(0)

阈值处理

阈值处理是指剔除图像内像素值高于一定值或低于一定值的像素点。使用的方法为:
retval,dst=cv2.threshold(src,thresh,maxval,type)retval代表返回的阈值dst代表阈值分割结果图像，与原始图像具有相同的大小和类型src代表要进行阈值分割的图像，可以是多通道的，8位或32位浮点型数值thresh代表要设定的阈值maxval代表type参数位THRESH_BINARY或者THRESH_BINARY_INV类型时，需要设定的最大值type代表阈值分割的类型，具体内容如下表所示:选项                  像素值>thresh      其他情况
cv2.THRESH_BINARY         maxval              0
cv2.THRESH_BINARY_INV         0               maxval
cv2.THRESH_TRUNC          thresh              当前灰度值
cv2.THRESH_TOZERO         当前灰度值           0
cv2.THRESH_TOZERO_INV         0               当前灰度值

image = cv2.imread('demo1.png',0)
ret,binary=cv2.threshold(image,210,255,cv2.THRESH_BINARY)
ret1,binaryinv=cv2.threshold(image,210,255,cv2.THRESH_BINARY_INV)
ret2,trunc=cv2.threshold(image,210,255,cv2.THRESH_TRUNC)
ret3,tozero=cv2.threshold(image,210,255,cv2.THRESH_TOZERO)
ret4,tozeroinv=cv2.threshold(image,210,255,cv2.THRESH_TOZERO_INV)cv2.imshow('gray',image)
cv2.waitKey(0)
cv2.imshow('binary',binary)
cv2.waitKey(0)
cv2.imshow('binaryinv',binaryinv)
cv2.waitKey(0)
cv2.imshow('trunc',trunc)
cv2.waitKey(0)
cv2.imshow('tozero',tozero)
cv2.waitKey(0)
cv2.imshow('tozeroinv',tozeroinv)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像平滑处理

图像平滑（smoothing）也称为“模糊处理”（bluring）， 是一项简单且使用频率很高的图像处理方法。
可以用来压制、弱化或消除图像中的细节、突变、边缘和噪声。但最常见的是用来减少图像上的噪声或者失真。
降低图像分辨率时，平滑处理是很重要的。
下面是常用的一些滤波器均值滤波（邻域平均滤波）–> blur函数方框滤波–> boxFilter函数高斯滤波–>GaussianBlur函数中值滤波–>medianBlur函数dst=cv2.blur(src,ksize,anchor,borderType)dst是返回值src是需要处理的图像kszie是滤波核(卷积核)的大小anchor是锚点，默认值是（-1，-1）一般无需更改borderType是边界样式，一般无需更改
一般情况下，使用dst=cv2.blur(src,ksize)即可

生成椒盐图片

def add_peppersalt_noise(image,n=10000):result = image.copy()h, w=image.shape[:2] # 获取图片的高和宽for i in range(n):  # 生成n个椒盐噪声x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2) == 0:result[x, y] = 0else:result[x,y] =255return resultimage = cv2.imread('demo1.png')
cv2.imshow('sro',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)

均值滤波处理

blur_1 = cv2.blur(noise,(3,3))
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)blur_2 = cv2.blur(noise,(5,5))
cv2.imshow('blur_2',blur_2)
cv2.waitKey(0)

方框滤波处理

dst=cv2.boxFilter（src,ddepth,ksize,anchor,normalize,borderType）式中：● dst是返回值，表示进行方框滤波后得到的处理结果。● src 是需要处理的图像，即原始图像。● ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。（可以理解为数据类型）● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。● anchor 是锚点，（指对应哪个区域）● normalize 表示在滤波时是否进行归一化。1.当值为True时，归一化，用邻域像素值的和除以面积。  此时方框滤波与 均值滤波 效果相同。2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255
# 方框滤波

boxFilter_1 = cv2.boxFilter(noise,-1,(3,3),normalize=True)
cv2.imshow('boxFilter_1',boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize=False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)

高斯滤波处理

cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])高斯滤波
参数说明：
src:输入图像，通常是一个NumPy数组。
ksize:滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5, 5)表示一个5x5的滤波器。
sigmaX和sigmaY:分别表示在X轴和Y轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于0,这意味着没有高斯模糊。
dst:输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。

GaussianB = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('GaussianBlur',GaussianB)
cv2.waitKey(0)

中值滤波处理

cv2.medianBlur(src, ksize[, dst])中值滤波参数说明：
src:输入图像。
ksize:滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5表示一个5x5的滤波器。
dst:输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。

medianB = cv2.medianBlur(noise,3)
cv2.imshow('medianBlur',medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像形态学

腐蚀

1、图像腐蚀, 函数为：
cv2.erode(src, kernel, dst,anchor,iterations,borderType,borderValue)
src: 输入的图像
kernel: 用于腐蚀的结构元件如果element = Mat()，则使用3 × 3的矩形结构单元。
dst: 它是与src相同大小和类型的输出图像。
iterations:腐蚀操作的迭代次数，默认为1。次数越多, 腐蚀操作执行的次数越多,腐蚀效果越明显

sun = cv2.imread('sun.png')
cv2.imshow('sun',sun)
cv2.waitKey(0)
kernel = np.ones((3,3),np.uint8)
erosion_1 = cv2.erode(sun,kernel,iterations=2)
cv2.imshow('erosion_1',erosion_1)
cv2.waitKey(0)

膨胀

2、图像膨胀,   函数为：
cv2.dilate(img, kernel, iteration)
参数含义：
img – 目标图片
kernel – 进行操作的内核，默认为3×3的矩阵
iterations – 膨胀次数，默认为1

wenzi = cv2.imread('zimu.png')
cv2.imshow('src1',wenzi)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
wenzi_new = cv2.dilate(wenzi,kernel,iterations=3)
cv2.imshow('wenzi_new',wenzi_new)
cv2.waitKey(0)

开运算

开运算：先腐蚀后膨胀。

zhiwen = cv2.imread('zhiwen1.png')
cv2.imshow('scr2',zhiwen)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_OPEN,kernel)
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(0)

闭运算

闭运算：先膨胀后腐蚀

zhiwen = cv2.imread('zhiwen2.png')
cv2.imshow('scr3',zhiwen)
cv2.waitKey(0)
kernel = np.ones((4,4),np.uint8)
zhiwen_new = cv2.morphologyEx(zhiwen,cv2.MORPH_CLOSE,kernel)
cv2.imshow('zhiwen_new',zhiwen_new)
cv2.waitKey(0)cv2.destroyAllWindows()

顶帽和黑帽

顶帽 = 原始图像 - 开运算结果(先腐蚀后膨胀)
黑帽 = 闭运算(先膨胀后腐蚀) - 原始图像

sun = cv2.imread('sun.png')
cv2.imshow('sun_yuantu',sun)
cv2.waitKey(0)
kernel = np.ones((2,2),np.uint8)  #设置kenenel大小
#开运算
open_sun=cv2.morphologyEx(sun,cv2.MORPH_OPEN,kernel)
cv2.imshow('open_sun',open_sun)
cv2.waitKey(0)
#顶帽
tophat = cv2.morphologyEx(sun,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('TOPHAT',tophat)
cv2.waitKey(0)
#闭运算
close_sun=cv2.morphologyEx(sun,cv2.MORPH_CLOSE,kernel)
cv2.imshow('close_sun',close_sun)
cv2.waitKey(0)
#黑帽
blackhat = cv2.morphologyEx(sun,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('BLACKHAT',blackhat)
cv2.waitKey(0)