CV(2)-插值和卷积

前言

仅记录学习过程，有问题欢迎讨论

看看年前可以学到哪。

频率：

灰度值变化程度的指标，是灰度再平面上的梯度幅值:

幅值：

是在一个周期内，交流电瞬时出现的最大绝对值，也是一个正弦波，波峰到波谷的距离的一半。

图像的取样和量化：

取样：就是要用多少点来描述一幅图像，取样结果质量的高低就是用图像的分辨率来衡量的
量化：是指要使用多大范围的数值来表示图像采样之后的一个点。
数字化坐标值称为取样，数字化幅度值称为量化

上采样与下采样：

缩小图像（或称为下采样或降采样）的主要目的：
- 1、使得图像符合显示区域的大小；
- 2、生成对应图像的缩略图。
放大图像（或称为上采样或图像插值）的主要目的是放大原图像，从而可以显示在更高分辨率的显示设备上。

插值方法：

最邻近插值：和哪个像素点近就插入其附近，等比例插入像素点的位置
双线性插值(常用)：在两个方向上做线性插值（通过4个像素点等比例算出新的像素点位置，几何中心重合！）
双线性差值法的计算比最邻近插值法复杂，计算量较大，但没有灰度不连续的缺点，图像看起来更光滑。

直方图

反映了图像中的灰度分布规律（0-255）。它描述每个灰度级具有的像素个数，但不包含这些像素在图像中的位置信息。

图像直方图不关心像素所处的空间位置，因此不受图像旋转和平移变化的影响，可以作为图像的特征。直方图均衡化就是用一定的算法使直方图大致平和的方法（过亮过暗，套用公式计算新的映射像素点位置）

卷积：

就是特征提取，在CNN是通过大量数据训练得来的，有平滑效果，对位相乘再相加然后移动；

可以通过padding来计算边缘值，防止信息丢失
可以有多个卷积核，提取不同的特征；
卷积核的数量就是输出的通道数，卷积核的通道数就是输入的通道数 (对于输入的每一个通道，都需要有对应的卷积核通道来进行计算,可以参考下图)

卷积-3种填充模式

full：卷积核相交图像开始计算，卷积结果尺寸小于原图像
valid：卷积核边缘与图像边缘对齐，卷积结果尺寸小于原图像
same：卷积结果尺寸等于原图像（常用，步长s=1）

插值和直方图的实现

py 复制代码

"""
1.实现最邻近插值
2，实现双线性插值
3，证明几何中心对称系数
4.实现图像均衡化

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


# 1.实现最邻近插值
def nearest_interpolation(img, dst_h, dst_w):
    src_h, src_w, _ = img.shape
    t_x = dst_w / src_w
    t_y = dst_h / src_h
    dst_img = np.zeros((dst_h, dst_w, 3), dtype=np.uint8)
    for i in range(dst_h):
        for j in range(dst_w):
            x = int(j / t_x)
            y = int(i / t_y)
            dst_img[i, j] = img[y, x]
    return dst_img


# 2.实现双线性插值
def bilinear_interpolation(img, dst_h, dst_w):
    src_h, src_w, _ = img.shape
    t_x = dst_w / src_w
    t_y = dst_h / src_h
    dst_img = np.zeros((dst_h, dst_w, 3), dtype=np.uint8)
    for i in range(dst_h):
        for j in range(dst_w):
            x = j / t_x
            y = i / t_y
            x1 = int(x)
            y1 = int(y)
            x2 = min(x1 + 1, src_w - 1)  # 防止超过原图的宽 所以有这个min的行为
            y2 = min(y1 + 1, src_h - 1)
            # 公式
            dst_img[i, j] = (1 - (x - x1)) * (1 - (y - y1)) * img[y1, x1] + (1 - (x - x1)) * (y - y1) * img[y2, x1] + (
                        x - x1) * (1 - (y - y1)) * img[y1, x2] + (x - x1) * (y - y1) * img[y2, x2]
    return dst_img


# 3，证明几何中心对称系数为1/2
"""
设中点坐标为a = (x1+x2)/2, b = (y1+y2)/2
对x有 2a = (x1+x2) ,则 x2 = 2a - x1
对y有 2b = (y1+y2) ,则 y2 = 2b - y1
所以对称点坐标为 (2a - x1, 2b - y1)
因为中点，有 x2-x1 = 2(a-x1) ,得出x2和x1的差值是x1到a距离的两倍，并且方向是相反的
又因为是关于O中心对称，在x坐标系中，坐标系的变化系数就是1/2,
同理在y坐标系中，坐标系的变化系数也是1/2。

"""


# 4.实现图像均衡化
def equalization(img):
    # 灰度化
    # grey_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    # 多个通道每个通道都需要均衡化 然后合并
    b, g, r = cv2.split(img)
    eqb_img = cv2.equalizeHist(b)
    eqg_img = cv2.equalizeHist(g)
    eqr_img = cv2.equalizeHist(r)
    eqz_img = cv2.merge((eqb_img, eqg_img, eqr_img))
    return eqz_img


if __name__ == '__main__':
    img = cv2.imread("test.png")
    """
    1.实现最邻近插值
    near_img = nearest_interpolation(img,300, 300)
    cv2.imshow("near_img",near_img)
    cv2.waitKey(0)
    """
    """
    2.实现双线性插值
    near_img = bilinear_interpolation(img, 300, 300)
    cv2.imshow("bili_img", near_img)
    cv2.waitKey(0)
    """
    # 4.实现图像均衡化
    dst_img = equalization(img)
    cv2.imshow("dst_img", dst_img)
    cv2.waitKey(0)