opencv—常用函数学习_“干货“_11

在OpenCV中，图像累加是一个重要的操作，通常用于视频处理、背景建模和图像融合等任务。OpenCV提供了多种累加操作的函数，包括accumulate、accumulateWeighted、accumulateSquare 和 accumulateProduct。下面介绍这些函数及其使用示例。

|---------------|--------------------|------------------|--------------------|
| 图像累加函数 ||||
| accumulate | accumulateWeighted | accumulateSquare | accumulateProduct |
| 将输入图像累加到累加图像中 | 将输入图像加权累加到累加图像中 | 将输入图像的平方累加到累加图像中 | 将两个输入图像的乘积累加到累加图像中 |

将输入图像累加到累加图像中 (`accumulate`)

import cv2
import numpy as np

# 读取图像
image1 = cv2.imread('path_to_image1.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('path_to_image2.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化累加图像
accum_image = np.zeros_like(image1, dtype=np.float32)

# 执行累加操作
cv2.accumulate(image1, accum_image)
cv2.accumulate(image2, accum_image)

# 显示累加结果
cv2.imshow('Accumulated Image', cv2.convertScaleAbs(accum_image))
cv2.waitKey(0)
cv2.destroyAllWindows()

将输入图像加权累加到累加图像中 (`accumulateWeighted`)

# 初始化累加图像
accum_image_weighted = np.zeros_like(image1, dtype=np.float32)

# 加权累加操作
alpha = 0.5
cv2.accumulateWeighted(image1, accum_image_weighted, alpha)
cv2.accumulateWeighted(image2, accum_image_weighted, alpha)

# 显示加权累加结果
cv2.imshow('Accumulated Weighted Image', cv2.convertScaleAbs(accum_image_weighted))
cv2.waitKey(0)
cv2.destroyAllWindows()

将输入图像的平方累加到累加图像中 (`accumulateSquare`)

# 初始化累加图像
accum_image_square = np.zeros_like(image1, dtype=np.float32)

# 累加平方操作
cv2.accumulateSquare(image1, accum_image_square)
cv2.accumulateSquare(image2, accum_image_square)

# 显示累加平方结果
cv2.imshow('Accumulated Square Image', cv2.convertScaleAbs(accum_image_square))
cv2.waitKey(0)
cv2.destroyAllWindows()

将两个输入图像的乘积累加到累加图像中 (`accumulateProduct`)

# 初始化累加图像
accum_image_product = np.zeros_like(image1, dtype=np.float32)

# 累加乘积操作
cv2.accumulateProduct(image1, image2, accum_image_product)

# 显示累加乘积结果
cv2.imshow('Accumulated Product Image', cv2.convertScaleAbs(accum_image_product))
cv2.waitKey(0)
cv2.destroyAllWindows()

解释

accumulate函数：将输入图像累加到累加图像中，适用于累积多帧图像。
accumulateWeighted函数 ：将输入图像加权累加到累加图像中，可以用于背景建模和图像融合，参数alpha用于控制权重。
accumulateSquare函数：将输入图像的平方累加到累加图像中，适用于平方累加操作。
accumulateProduct函数：将两个输入图像的乘积累加到累加图像中，适用于乘积累加操作。

这些示例展示了如何使用OpenCV中的各种累加函数来处理图像。根据具体的应用需求，可以灵活运用这些函数来实现复杂的图像处理任务。

三十、随机数与添加噪声

在OpenCV中，randu 和 randn 是两个用于生成随机数的函数，常用于图像处理中的噪声添加等操作。下面介绍这些函数及其使用示例。

|------------|----------------|
| 随机数生成与添加噪声函数 ||
| randu | randn |
| 生成均匀分布的随机数 | 生成正态（高斯）分布的随机数 |

使用 `randu` 生成均匀分布的随机数并添加噪声

import cv2
import numpy as np

# 读取图像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)

# 生成与图像大小相同的均匀分布噪声
noise = np.zeros_like(image, dtype=np.float32)
cv2.randu(noise, 0, 255)

# 将噪声添加到图像中
noisy_image = cv2.add(image.astype(np.float32), noise)

# 显示原图像和添加噪声后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Uniform Noise Image', noisy_image.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

使用 `randn` 生成正态分布的随机数并添加噪声

# 生成与图像大小相同的正态分布噪声
noise = np.zeros_like(image, dtype=np.float32)
cv2.randn(noise, 0, 25)  # 均值为0，标准差为25

# 将噪声添加到图像中
noisy_image = cv2.add(image.astype(np.float32), noise)

# 显示原图像和添加噪声后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Gaussian Noise Image', noisy_image.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

解释

randu函数：生成均匀分布的随机数。可以指定随机数的上下限。例如，在上述代码中，噪声值在0到255之间均匀分布。
randn函数：生成正态（高斯）分布的随机数。可以指定随机数的均值和标准差。例如，在上述代码中，噪声值服从均值为0，标准差为25的正态分布。

实际应用

在图像处理中，添加噪声常用于以下场景：

算法测试：在处理算法中测试其抗噪能力。
数据增强：在训练机器学习模型时，使用带噪声的数据增强模型的鲁棒性。
模拟真实情况：在某些情况下，需要模拟现实中的噪声以测试图像处理算法的性能。

通过这些示例，可以看到如何使用OpenCV中的randu和randn函数来生成随机数并将其添加到图像中作为噪声。根据具体的应用需求，可以灵活运用这些函数来实现图像处理任务。

三一、PCA

在OpenCV中，主成分分析（PCA）是一种常用的降维技术，广泛应用于图像处理和机器学习领域。OpenCV提供了几个用于PCA操作的函数：PCACompute、project 和 backProject。下面介绍这些函数及其使用示例。

|------------|-------------|------------------|
| PCA函数 |||
| PCACompute | project | backProject |
| 计算主成分 | 将数据投影到主成分空间 | 将数据从主成分空间反投影回原空间 |

计算主成分 (`PCACompute`)

import cv2
import numpy as np

# 创建示例数据
data = np.array([[2.5, 2.4],
                 [0.5, 0.7],
                 [2.2, 2.9],
                 [1.9, 2.2],
                 [3.1, 3.0],
                 [2.3, 2.7],
                 [2, 1.6],
                 [1, 1.1],
                 [1.5, 1.6],
                 [1.1, 0.9]], dtype=np.float32)

# 计算PCA
mean, eigenvectors = cv2.PCACompute(data, mean=None)

print("Mean:\n", mean)
print("Eigenvectors:\n", eigenvectors)

将数据投影到主成分空间 (`project`)

# 将数据投影到主成分空间
projected_data = cv2.PCAProject(data, mean, eigenvectors)

print("Projected Data:\n", projected_data)

将数据从主成分空间反投影回原空间 (`backProject`)

# 将数据从主成分空间反投影回原空间
back_projected_data = cv2.PCABackProject(projected_data, mean, eigenvectors)

print("Back Projected Data:\n", back_projected_data)

解释

PCACompute函数：计算数据的主成分。返回均值和特征向量（主成分）。
project函数：将数据投影到主成分空间。使用计算得到的均值和特征向量，将原数据转换到主成分空间。
backProject函数：将数据从主成分空间反投影回原空间。使用计算得到的均值和特征向量，将主成分空间的数据转换回原始数据空间。

实际应用

PCA在图像处理中有许多应用，例如：

图像压缩：通过保留主要成分，减少图像的维度，从而实现压缩。
特征提取：在图像分类和识别任务中，使用PCA提取主要特征，减少计算复杂度。
数据可视化：将高维数据降维到2D或3D空间，方便可视化。

图像压缩示例

# 读取图像并转换为灰度图
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)
image = np.float32(image) / 255.0
h, w = image.shape

# 将图像展开为2D数据
data = image.reshape((-1, w))

# 计算PCA，保留主要成分
mean, eigenvectors = cv2.PCACompute(data, mean=None, maxComponents=10)

# 投影到主成分空间
projected_data = cv2.PCAProject(data, mean, eigenvectors)

# 反投影回原空间
back_projected_data = cv2.PCABackProject(projected_data, mean, eigenvectors)

# 将数据重塑为图像
compressed_image = back_projected_data.reshape((h, w))

# 显示原图像和压缩后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Compressed Image', compressed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

通过这些示例，可以看到如何使用OpenCV中的PCA函数来处理数据和图像。根据具体的应用需求，可以灵活运用这些函数来实现数据降维和特征提取等任务。