OpenCV计算机视觉 02 图片修改 图像运算 边缘填充 阈值处理

目录

图片修改(打码、组合、缩放)

图像运算

边缘填充

阈值处理


上一篇文章: OpenCV计算机视觉 01 图像与视频的读取操作&颜色通道

图片修改(打码、组合、缩放)
python 复制代码
# 图片打码
import numpy as np
a = cv2.imread(r'opencv.png')
a[100:200,200:300] = np.random.randint(0,256,(100,100,3))#矩阵赋值必须是相同大小
cv2.imshow('masaike',a)
cv2.waitKey(1000000)
cv2.destroyAllWindows()
python 复制代码
# 图片组合
import numpy as np
a = cv2.imread('opencv.png')
b = cv2.imread('python.png')
b[200:350,200:350] = a[150:300,150:300]#注意:矩阵的大小必须要统一。
cv2.imshow('b',b)
cv2.imshow('a',a)
cv2.waitKey(100000)
cv2.destroyAllWindows()
复制代码
python 复制代码
#图片缩放
a = cv2.imread('opencv.png')
# a_new = cv2.resize(a,(200,600))   # 宽、高
a_new = cv2.resize(a,dsize=None,fx=0.5,fy=0.5)
# print(a.shape)  # 高、宽 、通道数
cv2.imshow('original',a)
cv2.imshow('result',a_small)
cv2.waitKey(100000)
cv2.destroyAllWindows()
图像运算
复制代码
图像加法运算
对于+号运算,当对图像a,图像b进行加法求和时,遵循以下规则:
当某位置像素相加得到的数值小于255时,该位置数值为两图像该位置像素相加之和,当某位置像素相加得到的数值大于255时,该位置数值将截断结果并将其减去256。例如:相加后是260,实际是260-256= 4
python 复制代码
a = cv2.imread('python.png')
b = cv2.imread('opencv.png')
c = a+10    #图片,
cv2.imshow('yuan',a)
cv2.imshow('tupian',c)
cv2.waitKey(100000)
​
c = a[50:450,50:400]+b[50:450,50:400]
cv2.imshow('result_a+b',c)
cv2.waitKey(100000)
复制代码
对于cv2.add()运算,当对图像a,图像b进行加法求和时,遵循以下规则:
当某位置像素相加得到的数值小于255时,该位置数值为两图像该位置像素相加之和
当某位置像素相加得到的数值大于255时,该位置数值为255
python 复制代码
a = cv2.imread('timg98.jpg')
b = cv2.imread('zl.png')
b = cv2.resize(b,(400,400))
a = cv2.resize(a,(400,400))
c = cv2.add(a,b)   #也可以使用使用
cv2.imshow('result_a+b',c)
cv2.waitKey(100000)
cv2.destroyAllWindows()
复制代码
图像加权运算, 就是在计算两幅图像的像素值之和时,将每幅图像的权重考虑进来,可以用公式表示为
python 复制代码
dst=src1×α+src×β+γ
a = cv2.imread('timg98.jpg')
b = cv2.imread('zl.png')
b = cv2.resize(b,(400,400))
a = cv2.resize(a,(400,400))
#
c =cv2.addWeighted(a,0.2,b,0.8,10)   # 10:图像的亮度值(常数),将添加到加权和上
cv2.imshow('addWeighted',c)
cv2.waitKey(100000)
cv2.destroyAllWindows()
复制代码
边缘填充
复制代码
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:左右两边替换,cdefgh|abcdefgh|abcdefg
python 复制代码
import cv2
ys = cv2.imread('yueshan.png')
top,bottom,left,right = 50,50,50,50
​
constant = cv2.copyMakeBorder(ys,top,bottom,left,right,borderType=cv2.BORDER_CONSTANT,value=(0,0,0))
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('REFLECT_101', 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。例如,设定阈值为127.使用的方法为:

复制代码
retval,dst=cv2.threshold(src,thresh,maxval,type)thresh:100,maxval:200 
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
python 复制代码
import cv2
image = cv2.imread('zl.png',cv2.IMREAD_GRAYSCALE) #灰度图,
ret, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC)
ret3, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO)
ret4, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV)
​
cv2.imshow('original', image)  #原灰度图
cv2.waitKey(0)
cv2.imshow('binary', binary)  #偏白的变纯白,偏黑的变纯黑
cv2.waitKey(0)
cv2.imshow('binaryinv', binaryinv)  #偏白的变纯黑,偏黑的变纯白
cv2.waitKey(0)
cv2.imshow('trunc', trunc)   #白色变得一样灰蒙蒙,偏黑的不变
cv2.waitKey(0)
cv2.imshow('tozero', tozero)  #偏白色不变,偏黑的就变纯黑
cv2.waitKey(0)
cv2.imshow('tozeroinv', tozeroinv)   #偏白色变纯黑,偏黑的不变
cv2.waitKey(0)
相关推荐
GIOTTO情12 分钟前
媒介宣发的技术革命:Infoseek如何用AI重构企业传播全链路
大数据·人工智能·重构
阿里云大数据AI技术21 分钟前
云栖实录 | 从多模态数据到 Physical AI,PAI 助力客户快速启动 Physical AI 实践
人工智能
小关会打代码28 分钟前
计算机视觉进阶教学之颜色识别
人工智能·计算机视觉
IT小哥哥呀34 分钟前
基于深度学习的数字图像分类实验与分析
人工智能·深度学习·分类
机器之心1 小时前
VAE时代终结?谢赛宁团队「RAE」登场,表征自编码器或成DiT训练新基石
人工智能·openai
机器之心1 小时前
Sutton判定「LLM是死胡同」后,新访谈揭示AI困境
人工智能·openai
大模型真好玩1 小时前
低代码Agent开发框架使用指南(四)—Coze大模型和插件参数配置最佳实践
人工智能·agent·coze
jerryinwuhan1 小时前
基于大语言模型(LLM)的城市时间、空间与情感交织分析:面向智能城市的情感动态预测与空间优化
人工智能·语言模型·自然语言处理
落雪财神意1 小时前
股指10月想法
大数据·人工智能·金融·区块链·期股
中杯可乐多加冰1 小时前
无代码开发实践|基于业务流能力快速开发市场监管系统,实现投诉处理快速响应
人工智能·低代码