图像处理基础

最新推荐文章于 2025-03-28 22:34:30 发布
最新推荐文章于 2025-03-28 22:34:30 发布
阅读量237 收藏
点赞数
分类专栏： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_42646763/article/details/104385263
版权
本文介绍了图像处理的基础知识，包括灰度变换、图像轮廓直方图和滤波技术。通过代码展示了如何进行灰度变换，探讨了直方图均衡化的效果，并详细阐述了均值滤波、高斯滤波和中值滤波的原理及应用。通过改变核大小对比了滤波对图像清晰度的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

图像处理基础

编译环境：Jupyter Notebook (Anaconda3)

1、灰度变换

代码
# -*- coding: utf-8 -*-
from PIL import Image
from numpy import *
from pylab import *

im = array(Image.open('1.jpg').convert('L'))
print (int(im.min()), int(im.max()))

im2 = 255 - im  # invert image
print (int(im2.min()), int(im2.max()))

im3 = (100.0/255) * im + 100  # clamp to interval 100...200
print (int(im3.min()), int(im3.max()))

im4 = 255.0 * (im/255.0)**2  # squared
print (int(im4.min()), int(im4.max()))

figure()
gray()

subplot(2, 2, 1)
imshow(im)
axis('off')
title(r'$f(x)=x$')

subplot(2, 2, 2)
imshow(im2)
axis('off')
title(r'$f(x)=255-x$')

subplot(2, 2, 3)
imshow(im3)
axis('off')
title(r'$f(x)=\frac{100}{255}x+100$')

subplot(2, 2, 4)
imshow(im4)
axis('off')
title(r'$f(x)=255(\frac{x}{255})^2$')
show()
处理结果

在这里插入图片描述

结论

调整图像灰度值后保存，输出四组图像的最小灰度值和最大灰度值并输出图像

2.1、图像轮廓直方图

代码
# 图像轮廓和直方图
from PIL import Image
from pylab import *
# 读取图像到数组中
im = array(Image.open('1.jpg').convert('L'))
# 新建一个图像
figure()
# 不使用颜色信息
gray()
# 在原点的左上角显示轮廓图像
contour(im, origin='image')
axis('equal')
axis('off')
figure()
hist(im.flatten(),128)
show()
处理结果

在这里插入图片描述

结论

先对图像进行灰度化，再输出图像的直方图

2.2、直方图均衡

代码
 # -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from PCV.tools import imtools

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

im = array(Image.open('1.jpg').convert('L'))  # 打开图像，并转成灰度图像
#im = array(Image.open('../data/AquaTermi_lowcontrast.JPG').convert('L'))
im2, cdf = imtools.histeq(im)

figure()
subplot(2, 2, 1)
axis('off')
gray()
title(u'原始图像', fontproperties=font)
imshow(im)

subplot(2, 2, 2)
axis('off')
title(u'直方图均衡化后的图像', fontproperties=font)
imshow(im2)

subplot(2, 2, 3)
axis('off')
title(u'原始直方图', fontproperties=font)
#hist(im.flatten(), 128, cumulative=True, normed=True)
hist(im.flatten(), 128, normed=True)

subplot(2, 2, 4)
axis('off')
title(u'均衡化后的直方图', fontproperties=font)
#hist(im2.flatten(), 128, cumulative=True, normed=True)
hist(im2.flatten(), 128, normed=True)

show()

在这里插入图片描述

结论

先对图像进行灰度化，再进行直方图均衡操作，最后输出图像核直方图

3.1、均值滤波

Python调用OpenCV实现均值滤波的核心函数如下：
result = cv2.blur(原始图像,核大小)
其中，核大小是以（宽度，高度）表示的元祖形式。常见的形式包括：核大小（3，3）和（5，5）。

代码
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread("1.jpg", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

#加噪声
for i in range(5000):    
    x = np.random.randint(0, rows) 
    y = np.random.randint(0, cols)    
    img[x,y,:] = 255

source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#均值滤波
result = cv2.blur(source, (5,5))
 
#显示图形
titles = ['Source Image', 'Blur Image']  
images = [source, result]  
for i in range(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

在这里插入图片描述

调整当前核

将核大小从（5，5）调整为（3，3）
结果如下
在这里插入图片描述
将核大小从（5，5）调整为（20，20）
结果如下
在这里插入图片描述

结论

核越大，图像越模糊

3.2、高斯滤波

为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值。
高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。
Python中OpenCV主要调用GaussianBlur函数，如下：
dst = cv2.GaussianBlur(src, ksize, sigmaX)
其中，src表示原始图像，ksize表示核大小，sigmaX表示X方向方差。注意，核大小（N, N）必须是奇数，X方向方差主要控制权重。

代码
# -*- coding:utf-8 -*-
import cv2
import numpy as np

#读取图片
img = cv2.imread("1.jpg", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

#加噪声
for i in range(5000):    
    x = np.random.randint(0, rows) 
    y = np.random.randint(0, cols)    
    img[x,y,:] = 255

source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#高斯滤波
result = cv2.GaussianBlur(source, (3,3), 0)

#显示图形
titles = ['Source Image', 'GaussianBlur Image']  
images = [source, result]  
for i in range(2):  
    plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
    plt.title(titles[i])  
    plt.xticks([]),plt.yticks([]) 
    
plt.show()

在这里插入图片描述

调整当前核

将核大小从（5，5）调整为（15，15）
结果如下
在这里插入图片描述

结论

核越大，图像越模糊

3.3、中值滤波

OpenCV主要调用medianBlur()函数实现中值滤波。图像平滑里中值滤波的效果最好。
dst = cv2.medianBlur(src, ksize)
其中，src表示源文件，ksize表示核大小。核必须是大于1的奇数，如3、5、7等。

代码
#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread("1.jpg", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

#加噪声
for i in range(5000):    
    x = np.random.randint(0, rows) 
    y = np.random.randint(0, cols)    
    img[x,y,:] = 255

# 中值滤波
result = cv2.medianBlur(img, 3)

titles = ['Source Image', 'Median Image']  
images = [img, result]  
for i in range(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

在这里插入图片描述

结论

常用的窗口还有方形、十字形、圆形和环形。不同形状的窗口产生不同的滤波效果，方形和圆形窗口适合外轮廓线较长的物体图像，而十字形窗口对有尖顶角状的图像效果好。中值滤波对于消除孤立点和线段的干扰十分有用，尤其是对于二进噪声，但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，可以多次使用不同的中值滤波

计算机视觉图像处理基础系列：滤波、边缘检测与形态学操作
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
04-05 16万+
计算机视觉图像处理基础系列：滤波、边缘检测与形态学操作，计算机视觉是人工智能领域的核心方向之一，旨在让计算机具备理解和解释视觉信息的能力。而图像处理则是计算机视觉的基石，为后续的特征提取、目标识别、图像分割等高级任务提供数据基础。滤波、边缘检测与形态学操作作为图像处理的基础环节，各自发挥着独特且关键的作用。滤波用于改善图像质量，去除噪声或增强特定特征；边缘检测聚焦于提取图像中物体的轮廓信息；形态学操作则基于图像形状对其进行优化与处理。深入理解这些基础技术，对于掌握计算机视觉的核心知识体系至关重要。
图像处理的基础
小柚子的博客
12-08 2572
图像处理的基础 图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。 多数图像传感器的输出是连续的电压波形信号，这些波形的幅度和空间特性都与其所感知的光照有关。为了产生一幅数字图像，我们需要把连续的感知数据转换为数字形式，这个转换的过程被称为图像采样和量化。 采样频率是指1秒内采样的次数（采样间隔的倒数），它反应了采样点之间的间隔大小。采样频率越高，得到的图像样本越逼真，图像的质量越高，但要求的储存量也越大。 图像采样的奈奎斯特（Nyquist）定理：图像采样的频率必须大于或等于源
OpenCV图像处理和应用—图像处理基础
FloatingDreaam的博客
06-27 301
© Fu Xianjun. All Rights Reserved. 正文 图像的基本表示方式和图像像素处理 1.二值图像（仅包含黑色和白色） 因图像比较简单，只有两种颜色，所以一个bit位0/1就可以表示 2.灰度图像 二值图像表示起来方便，但是由于只有两种颜色，所表示的图像不够细腻，而灰度图像采用更多数值来体现不同的颜色。 通常，计算机把灰度处理为256个灰度级，[0, 255]，其中，0表示纯黑，255表示纯白正好用一个字节就可以表示（8位） 3.彩色图像 仅介绍常见的RGB色彩空间，其中存在R(re
图像处理基础操作
最新发布
2301_81558287的博客
03-28 627
本文讲解了数值图像处理的几种基础操作与可能的应用场景
R图像处理基础
01-13
### R图像处理基础 在R语言中，图像处理是一个重要的领域，它可以帮助用户进行数据分析、可视化及各种形式的数据处理任务。本文将详细介绍如何利用R语言中的`EBImage`包来进行图像处理的基础操作。 #### EBImage...
数字图像处理基本概念大纲
01-15
### 数字图像处理基本概念大纲 #### 一、图像、模拟图像和数字图像 - **图像**：人类视觉系统接收并...以上内容概述了数字图像处理的基本概念、特点、处理方法及其应用领域，是学习和理解数字图像处理的重要基础。
计算机视觉——图像处理基础
12-22
图像处理基础1. PIL-Python图像库1.1 图片的格式转换1.2 创建缩略图1.3拷贝并粘贴区域1.4 调整尺寸及旋转2. Matplotlib库2.1 画图、描点和线2.2 图像轮廓和直方图2.3交互注释3. NumPy库3.1 图像数组表示3.2 灰度变换...
图像处理基础知识
qq_62945476的博客
08-03 238
基础知识
图像处理基础知识（一）
li1103192570的专栏
08-14 1272
今天是开始图像处理学习的博客论文的第一篇，因此在这里介绍一下图像处理的基础知识： 首先要了解图像，什么是图像以及图像分为哪几类，首先要说的是图像是表达信息的一个重要的载体之一，与文字不同的是通过图像可以直接形成对于事物的直观认识，因此图像是十分重要的对于在当今信息发达的条件下。 另一方面图像按照颜色和灰度分为二值图像、灰度图像、索引图像和RGB的图像。 二值图像：故名思议，二值图像就是在表达
图像处理基础(1)——图像基本知识
qq_40719550的博客
11-01 1283
图像处理基础(1) 1.数字图像:像素组成的二维或三维排列，可用矩阵表示。 2.像素:构成数字图像二维的元素，每一个像素有特定的赋值和位置。 3.图像的描述：图像是像素的二维排列，一般采用均值采样，像素行列之间间距相等。   (1)二维离散函数：f（x，y）。x与y代表图像像素坐标。f（x，y）代表对应坐标像素的亮度值。   (2)矩阵描述：A[m,n]。m...
MIL图像处理基础教程PPT
根据给定文件信息，我们可以推断出文档内容主要围绕“MIL 图像...实际的PPT内容可能会更详细，包括具体的案例分析、实验步骤、代码示例等，但这些基本知识点为入门者构建了一个关于MIL图像处理技术的框架和学习路径。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值