【数字图像处理】万字长文的数字图像处理全貌

数字图像处理

数字图像处理也是一个广泛而深入的领域，涉及多个章节和主题。

  1. 图像获取与表示： 学习如何获取和表示数字图像，包括不同的图像格式和编码方法。

  2. 图像增强： 改善图像质量，使其更适合特定应用，例如增加对比度、降噪或锐化。

  3. 空域滤波： 在图像的像素级别进行操作，如平滑、锐化和边缘检测。

  4. 频域滤波： 将图像转换到频域，进行频域滤波操作，如傅里叶变换和频域滤波器。

  5. 图像压缩： 减小图像文件大小，以便更有效地存储和传输，包括有损和无损压缩方法。

  6. 颜色图像处理： 处理彩色图像，包括颜色空间转换、颜色增强和彩色图像分割。

  7. 形态学处理： 基于形状和结构的操作，用于图像分割、去噪和特征提取。

  8. 图像分割与对象识别： 将图像分成不同的区域，并识别和分析图像中的对象。

  9. 图像描述与特征提取： 识别和提取图像中的关键特征，如纹理、形状和边缘。

  10. 图像恢复与重建： 通过修复受损或缺失的图像信息，使其更接近原始状态。

 图像获取与表示

 

  1. 图像获取：

    • imread: 读取图像文件，常见的图像格式包括 JPEG、PNG、BMP 等。
    • videoCapture: 用于从摄像头或视频文件中获取图像帧。

  2. 图像表示：

    • imshow: 在窗口中显示图像。
    • imwrite: 将图像保存为文件，通常用于存储处理后的图像。

  3. 颜色空间转换：

    • cvtColor: 用于将图像在不同颜色空间之间进行转换，如 RGB 到灰度、RGB 到 HSV 等。

  4. 像素操作：

    • img(x, y): 获取图像中特定坐标 (x, y) 处的像素值。
    • img(x, y) = value: 设置图像中特定坐标 (x, y) 处的像素值为给定的值。

  5. 图像信息：

    • size: 返回图像的尺寸，通常是行数和列数。
    • channels: 返回图像的通道数，如灰度图像为 1，彩色图像为 3。

  6. 图像处理：

    • resize: 调整图像的大小。
    • rotate: 旋转图像。
    • flip: 翻转图像，可以水平翻转或垂直翻转。

使用opencv代码实践

 

pip install opencv-python

 使用cv2.imread从文件中读取图像，cv2.imshow显示图像，cv2.imwrite保存图像。

import cv2# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 显示原始图像cv2.imshow('Original Image', img)cv2.waitKey(0)  # 等待按键# 保存图像output_path = 'path/to/save/result_image.jpg'cv2.imwrite(output_path, img)print(f"图像已保存至 {output_path}")# 关闭图像窗口cv2.destroyAllWindows()

 图像增强

  1. 直方图均衡化：

    • equalizeHist: 对图像进行直方图均衡化，增强图像的对比度。

  2. 对比度和亮度调整：

    • convertTo: 将图像像素值缩放到指定的范围，以调整亮度和对比度。
    • addWeighted: 将两幅图像进行加权相加，用于调整图像的亮度。

  3. 自适应直方图均衡化：

    • createCLAHE: 创建自适应直方图均衡化的对象，用于处理局部对比度不均匀的图像区域。

  4. 滤波器操作：

    • 一维和二维滤波器，如高斯滤波 (GaussianBlur) 和均值滤波 (blur)，用于平滑图像和去除噪声。

  5. 锐化和边缘增强：

    • filter2D: 对图像应用自定义的卷积核，用于锐化图像或增强边缘。

  6. 颜色增强：

    • 调整图像的颜色饱和度、色调和亮度，以增强彩色图像的视觉效果。

  7. Gamma校正：

    • gammaCorrection: 对图像进行Gamma校正，用于调整图像的亮度和对比度。
import cv2
import matplotlib.pyplot as plt# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 进行直方图均衡化equalized_img = cv2.equalizeHist(img)# 显示原始图像和增强后的图像plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')plt.subplot(1, 2, 2), plt.imshow(equalized_img, cmap='gray'), plt.title('Equalized Image')plt.show()# 保存增强后的图像output_path = 'path/to/save/equalized_image.jpg'cv2.imwrite(output_path, equalized_img)print(f"增强后的图像已保存至 {output_path}")

图像变换

 图像变换是数字图像处理中的关键任务，涉及图像在空间、频域或其他领域的变换。

 1.仿射变换：

  • cv2.warpAffine：应用仿射变换到图像。可以用于平移、旋转、缩放等操作。
import cv2
import numpy as np# 定义仿射变换矩阵
matrix = np.float32([[1, 0, tx], [0, 1, ty]])# 应用仿射变换
result = cv2.warpAffine(img, matrix, (width, height))

2. 透视变换：

  • cv2.getPerspectiveTransform：获取透视变换矩阵。
  • cv2.warpPerspective：应用透视变换到图像。
import cv2
import numpy as np# 定义原始图像中的四个点和目标图像中的对应四个点
src_points = np.float32([[x1, y1], [x2, y2], [x3, y3], [x4, y4]])
dst_points = np.float32([[u1, v1], [u2, v2], [u3, v3], [u4, v4]])# 获取透视变换矩阵
matrix = cv2.getPerspectiveTransform(src_points, dst_points)# 应用透视变换
result = cv2.warpPerspective(img, matrix, (width, height))

3. 图像缩放：

  • cv2.resize：调整图像的大小。
import cv2# 缩放图像
result = cv2.resize(img, (new_width, new_height))

4.图像旋转：

  • cv2.getRotationMatrix2D：获取图像旋转矩阵。
  • cv2.warpAffine：应用旋转变换到图像。
import cv2
import numpy as np# 定义旋转中心和旋转角度
center = (img.shape[1] // 2, img.shape[0] // 2)
angle = 45# 获取旋转矩阵
matrix = cv2.getRotationMatrix2D(center, angle, scale=1.0)# 应用旋转变换
result = cv2.warpAffine(img, matrix, (width, height))

 空域滤波

空域滤波是数字图像处理中常用的一种技术，它在图像的像素级别进行操作，包括平滑、锐化和边缘检测等。

  1. 平均滤波：

    • blur 或 boxFilter: 对图像进行平均滤波，用于平滑图像和降低噪声。

  2. 高斯滤波：

    • GaussianBlur: 使用高斯核对图像进行平滑处理，保留图像中的主要特征。

  3. 中值滤波：

    • medianBlur: 对图像进行中值滤波，有效地去除椒盐噪声等离群点。

  4. 双边滤波：

    • bilateralFilter: 保留图像的边缘信息的同时进行平滑，适用于保留细节的情况。

  5. 自定义滤波器：

    • filter2D: 对图像应用自定义的卷积核，可以实现各种空域滤波操作，如锐化和边缘增强。

 

import cv2
import matplotlib.pyplot as plt# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 使用高斯滤波进行平滑处理blurred_img = cv2.GaussianBlur(img, (5, 5), 0)# 显示原始图像和平滑处理后的图像plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')plt.subplot(1, 2, 2), plt.imshow(blurred_img, cmap='gray'), plt.title('Blurred Image')plt.show()# 保存平滑处理后的图像output_path = 'path/to/save/blurred_image.jpg'cv2.imwrite(output_path, blurred_img)print(f"平滑处理后的图像已保存至 {output_path}")

频域滤波

 频域滤波是数字图像处理中的一种重要技术，它涉及将图像转换到频域（通过傅里叶变换等），在频域中进行滤波操作，然后再转换回空域。

  1. 傅里叶变换：

    • fft2：对图像进行二维傅里叶变换。
    • ifft2：对频域图像进行反傅里叶变换，将其转换回空域。

  2. 频域滤波：

    • 理想滤波器：
      • freqFilter: 使用理想滤波器进行频域滤波，通常包括低通滤波器和高通滤波器。
    • 巴特沃斯滤波器：
      • butterworthFilter: 使用巴特沃斯滤波器进行频域滤波，可以调整滤波器的阶数和截止频率。
    • 高斯滤波器：
      • gaussianFilter: 使用高斯滤波器进行频域滤波，通常用于平滑图像。

 使用傅里叶变换和频域滤波器对图像进行高通滤波

 

import cv2
import numpy as np
import matplotlib.pyplot as plt# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 进行傅里叶变换f_transform = np.fft.fft2(img)f_shift = np.fft.fftshift(f_transform)# 构建高通滤波器rows, cols = img.shapecrow, ccol = rows // 2 , cols // 2mask = np.ones((rows, cols), np.uint8)r = 30  # 设置高通滤波器半径center = [crow, ccol]x, y = np.ogrid[:rows, :cols]mask_area = (x - center[0]) ** 2 + (y - center[1]) ** 2 <= r*rmask[mask_area] = 0# 将滤波器应用于频域图像f_shift = f_shift * mask# 进行傅里叶逆变换f_ishift = np.fft.ifftshift(f_shift)img_back = np.fft.ifft2(f_ishift)img_back = np.abs(img_back)# 显示原始图像和高通滤波后的图像plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')plt.subplot(1, 2, 2), plt.imshow(img_back, cmap='gray'), plt.title('High Pass Filtered Image')plt.show()# 保存高通滤波后的图像output_path = 'path/to/save/high_pass_filtered_image.jpg'cv2.imwrite(output_path, img_back)print(f"高通滤波后的图像已保存至 {output_path}")

 图像压缩

 图像压缩在数字图像处理中是一个重要的步骤，它有助于减小图像文件的大小，以便更有效地存储和传输。

 

  1. 有损压缩：

    • JPEG压缩：
      • imwrite（OpenCV）：使用JPEG格式进行图像压缩，可以设置压缩质量参数。
    • WebP压缩：
      • writeWebP（OpenCV）：使用WebP格式进行图像压缩，支持有损和无损压缩。

  2. 无损压缩：

    • PNG压缩：
      • imwrite（OpenCV）：使用PNG格式进行无损图像压缩，适用于需要保留图像质量的场景。
    • GIF压缩：
      • imageio（Python库）：用于处理GIF图像格式，支持无损压缩。

  3. 调整压缩参数：

    • 在使用相应库的图像写入函数时，通常可以设置压缩参数，例如压缩质量、压缩级别等。

 

import cv2# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 设置JPEG压缩参数compress_params = [cv2.IMWRITE_JPEG_QUALITY, 90]  # 设置压缩质量，范围为0到100# 保存压缩后的图像output_path = 'path/to/save/compressed_image.jpg'cv2.imwrite(output_path, img, compress_params)print(f"压缩后的图像已保存至 {output_path}")

颜色图像处理

 颜色图像处理涉及到对彩色图像中的颜色信息进行操作和调整。

 

  1. 颜色空间转换：

    • cvtColor（OpenCV等库）：用于在不同颜色空间之间进行转换，如RGB到HSV、RGB到LAB等。

  2. 颜色增强和调整：

    • adjust_saturation（Pillow库）：调整图像的饱和度。
    • adjust_brightness（Pillow库）：调整图像的亮度。
    • adjust_contrast（Pillow库）：调整图像的对比度。

  3. 通道拆分与合并：

    • split 和 merge（OpenCV等库）：分别用于将彩色图像的通道拆分和合并。

  4. 颜色直方图：

    • calcHist（OpenCV等库）：计算图像的颜色直方图，用于分析颜色分布。

  5. 颜色滤波：

    • inRange（OpenCV等库）：根据颜色范围过滤图像中的像素，用于颜色分割和筛选。

  6. 颜色空间中的运算：

    • 在某些情况下，可以在颜色空间中执行各种运算，例如在Lab颜色空间中执行对比度增强。 

 调整图像的饱和度、亮度和对比度

 

import cv2
import numpy as np
import matplotlib.pyplot as plt# 从文件中读取彩色图像
image_path = 'path/to/your/color_image.jpg'
img = cv2.imread(image_path)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 将图像从BGR颜色空间转换为HSV颜色空间hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 调整图像的饱和度、亮度和对比度saturation_factor = 1.5brightness_factor = 1.2contrast_factor = 1.2hsv_img[:, :, 1] = np.clip(hsv_img[:, :, 1] * saturation_factor, 0, 255)hsv_img[:, :, 2] = np.clip(hsv_img[:, :, 2] * brightness_factor, 0, 255)img_processed = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2BGR)img_processed = np.clip(img_processed * contrast_factor, 0, 255).astype(np.uint8)# 显示原始图像和处理后的图像plt.subplot(1, 2, 1), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original Image')plt.subplot(1, 2, 2), plt.imshow(cv2.cvtColor(img_processed, cv2.COLOR_BGR2RGB)), plt.title('Processed Image')plt.show()# 保存处理后的图像output_path = 'path/to/save/processed_image.jpg'cv2.imwrite(output_path, img_processed)print(f"处理后的图像已保存至 {output_path}")

 将image_path替换为你实际彩色图像文件的路径。在上述代码中，你可以调整saturation_factor、brightness_factor和contrast_factor来改变图像的饱和度、亮度和对比度。

形态学处理 

 形态学处理是数字图像处理中一种基于形状和结构的操作技术，通常用于图像的分割、去噪和特征提取。

 

  1. 腐蚀与膨胀：

    • erode 和 dilate（OpenCV等库）：分别用于腐蚀和膨胀图像，可以通过指定结构元素的形状和大小来调整操作效果。

  2. 开运算与闭运算：

    • morphologyEx（OpenCV等库）：执行开运算和闭运算，是腐蚀和膨胀的组合操作，常用于去噪和平滑图像。

  3. 形态学梯度：

    • morphologyEx（OpenCV等库）：计算图像的形态学梯度，用于检测图像中的边缘。

  4. 顶帽运算和底帽运算：

    • morphologyEx（OpenCV等库）：执行顶帽运算和底帽运算，用于突出图像中的亮部分或暗部分。

  5. 击中与缺失：

    • morphologyEx（OpenCV等库）：用于执行击中与缺失操作，通常用于形态学重建。

  6. 结构元素：

    • getStructuringElement（OpenCV等库）：创建形态学操作中使用的结构元素，可以是矩形、椭圆或自定义形状。

使用腐蚀、膨胀、开运算和闭运算来处理二值图像

 

import cv2
import numpy as np
import matplotlib.pyplot as plt# 从文件中读取二值图像
image_path = 'path/to/your/binary_image.jpg'
binary_img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 检查图像是否成功读取
if binary_img is None:print("无法读取图像，请检查文件路径")
else:# 二值化处理_, binary_img = cv2.threshold(binary_img, 128, 255, cv2.THRESH_BINARY)# 定义结构元素（核）kernel = np.ones((5, 5), np.uint8)# 进行腐蚀操作erosion = cv2.erode(binary_img, kernel, iterations=1)# 进行膨胀操作dilation = cv2.dilate(binary_img, kernel, iterations=1)# 进行开运算（先腐蚀后膨胀）opening = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)# 进行闭运算（先膨胀后腐蚀）closing = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)# 显示原始图像和形态学处理后的图像plt.subplot(2, 3, 1), plt.imshow(binary_img, cmap='gray'), plt.title('Original Binary Image')plt.subplot(2, 3, 2), plt.imshow(erosion, cmap='gray'), plt.title('Erosion')plt.subplot(2, 3, 3), plt.imshow(dilation, cmap='gray'), plt.title('Dilation')plt.subplot(2, 3, 4), plt.imshow(opening, cmap='gray'), plt.title('Opening')plt.subplot(2, 3, 5), plt.imshow(closing, cmap='gray'), plt.title('Closing')plt.show()# 保存形态学处理后的图像output_path = 'path/to/save/morphology_processed_image.jpg'cv2.imwrite(output_path, closing)print(f"形态学处理后的图像已保存至 {output_path}")

 将image_path替换为你实际的二值图像文件路径。在上述代码中，通过使用腐蚀、膨胀、开运算和闭运算等形态学处理操作，可以改变二值图像的形状和结构。

图像分割与对象识别 

 图像分割和对象识别是数字图像处理中的重要任务，涉及将图像分成不同的区域并识别其中的对象。

 

  1. 阈值分割：

    • threshold（OpenCV等库）：通过设定阈值将图像分为两个区域，用于简单的二值图像分割。

  2. 区域增长：

    • 可以通过自定义算法实现区域增长，逐步生长具有相似特征的图像区域。

  3. 边缘检测：

    • Canny（OpenCV等库）：用于检测图像中的边缘，边缘通常是图像分割的起点。

  4. 连通组件标记：

    • connectedComponents（OpenCV等库）：标记图像中的连通组件，用于分离不同的对象。

  5. 分水岭算法：

    • watershed（OpenCV等库）：基于水流模型的图像分割算法，适用于物体之间有重叠的情况。

  6. 轮廓提取：

    • findContours（OpenCV等库）：用于提取图像中的轮廓，可用于对象的形状分析和识别。

  7. 对象识别：

    • 使用机器学习和深度学习技术，如卷积神经网络（CNN），对图像中的对象进行识别和分类。

  8. 特征提取：

    • 提取对象的特征，例如颜色直方图、纹理特征等，用于对象的描述和识别。

使用阈值分割和连通组件标记来分割图像中的物体

 

import cv2
import numpy as np
import matplotlib.pyplot as plt# 从文件中读取彩色图像
image_path = 'path/to/your/color_image.jpg'
img = cv2.imread(image_path)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 将图像从BGR颜色空间转换为灰度图gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 使用阈值分割_, binary_img = cv2.threshold(gray_img, 128, 255, cv2.THRESH_BINARY)# 进行连通组件标记_, labels, stats, centroids = cv2.connectedComponentsWithStats(binary_img)# 显示原始图像、阈值分割后的图像和连通组件标记plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original Image')plt.subplot(1, 3, 2), plt.imshow(binary_img, cmap='gray'), plt.title('Thresholded Image')plt.subplot(1, 3, 3), plt.imshow(labels, cmap='viridis'), plt.title('Connected Components')plt.show()# 输出连通组件的统计信息print(f"共检测到 {len(stats) - 1} 个对象")# 保存分割后的图像和连通组件标记output_path_binary = 'path/to/save/binary_image.jpg'output_path_labels = 'path/to/save/connected_components.jpg'cv2.imwrite(output_path_binary, binary_img)cv2.imwrite(output_path_labels, labels)print(f"分割后的二值图像已保存至 {output_path_binary}")print(f"连通组件标记图像已保存至 {output_path_labels}")

 将image_path替换为你实际彩色图像文件的路径。在上述代码中，我们使用阈值分割将图像转换为二值图像，并使用connectedComponentsWithStats函数进行连通组件标记。最后，我们显示原始图像、阈值分割后的图像和连通组件标记的图像。

图像描述与特征提取 

 图像描述和特征提取是数字图像处理中的关键任务，用于识别和描述图像中的关键特征。

 

  1. 特征点检测：

    • goodFeaturesToTrack（OpenCV等库）：检测图像中的关键特征点，如角点。

  2. 角点检测：

    • cornerHarris（OpenCV等库）：使用Harris角点检测算法检测图像中的角点。

  3. SIFT（尺度不变特征变换）：

    • SIFT_create（OpenCV等库）：使用尺度空间来检测和描述图像中的关键点。

  4. SURF（加速稳健特征）：

    • SURF_create（OpenCV等库）：使用加速稳健特征算法进行图像的关键点检测和描述。

  5. ORB（Oriented FAST and Rotated BRIEF）：

    • ORB_create（OpenCV等库）：一种具有旋转不变性的特征检测和描述算法。

  6. HOG（方向梯度直方图）：

    • HOGDescriptor（OpenCV等库）：用于检测图像中的物体轮廓和纹理特征。

  7. 颜色直方图：

    • calcHist（OpenCV等库）：计算图像的颜色直方图，用于颜色特征描述。

  8. 纹理特征提取：

    • 使用各种滤波器和算法，如Gabor滤波器，来提取图像中的纹理特征。

  9. 深度学习特征提取：

    • 使用预训练的卷积神经网络（CNN）模型，如VGG、ResNet、或MobileNet，提取图像中的高级特征。

 使用SIFT算法检测并描述图像中的关键点

import cv2
import matplotlib.pyplot as plt# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 使用SIFT算法检测关键点和计算描述符sift = cv2.SIFT_create()keypoints, descriptors = sift.detectAndCompute(img, None)# 绘制关键点img_with_keypoints = cv2.drawKeypoints(img, keypoints, None)# 显示原始图像和带有关键点的图像plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')plt.subplot(1, 2, 2), plt.imshow(img_with_keypoints, cmap='gray'), plt.title('Image with Keypoints')plt.show()# 输出关键点的数量print(f"检测到 {len(keypoints)} 个关键点")# 保存带有关键点的图像output_path = 'path/to/save/image_with_keypoints.jpg'cv2.imwrite(output_path, img_with_keypoints)print(f"带有关键点的图像已保存至 {output_path}")

 将image_path替换为你实际图像文件的路径。在上述代码中，我们使用SIFT算法检测图像中的关键点，并计算每个关键点的描述符。最后，我们绘制关键点并显示原始图像和带有关键点的图像。

图像恢复与重建 

图像恢复和重建是数字图像处理中的重要任务，涉及修复受损或模糊的图像，使其更接近原始状态。 

  1. 图像去噪：

    • fastNlMeansDenoising（OpenCV等库）：使用非局部均值去噪算法进行图像去噪。

  2. 图像去模糊：

    • deconvolution：使用盲源分离或Wiener滤波等技术进行图像去模糊。

  3. 超分辨率重建：

    • superResolution（OpenCV等库）：通过图像金字塔或深度学习模型进行超分辨率重建，提高图像的空间分辨率。

  4. 图像修复：

    • inpaint（OpenCV等库）：使用图像修复算法填补图像中的缺失或损坏部分。

  5. 运动模糊恢复：

    • deblur：通过对运动模糊进行逆滤波或使用复杂的运动模型进行图像恢复。

  6. 模型基础的图像重建：

    • 使用图像重建算法，如基于字典学习的算法，通过学习图像的结构和特征进行图像重建。

  7. 图像插值：

    • resize（OpenCV等库）：使用插值算法调整图像的大小，可以用于图像的简单重建。

 使用非局部均值去噪算法和图像插值进行图像重建

import cv2
import matplotlib.pyplot as plt# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path)# 检查图像是否成功读取
if img is None:print("无法读取图像，请检查文件路径")
else:# 转换图像为灰度gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 进行非局部均值去噪denoised_img = cv2.fastNlMeansDenoising(gray_img, None, h=15, templateWindowSize=7, searchWindowSize=21)# 使用双立方插值进行图像重建resized_img = cv2.resize(denoised_img, (img.shape[1]*2, img.shape[0]*2), interpolation=cv2.INTER_CUBIC)# 显示原始图像、去噪后的图像和重建后的图像plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original Image')plt.subplot(1, 3, 2), plt.imshow(denoised_img, cmap='gray'), plt.title('Denoised Image')plt.subplot(1, 3, 3), plt.imshow(resized_img, cmap='gray'), plt.title('Reconstructed Image')plt.show()# 保存去噪后的图像和重建后的图像output_path_denoised = 'path/to/save/denoised_image.jpg'output_path_reconstructed = 'path/to/save/reconstructed_image.jpg'cv2.imwrite(output_path_denoised, denoised_img)cv2.imwrite(output_path_reconstructed, resized_img)print(f"去噪后的图像已保存至 {output_path_denoised}")print(f"重建后的图像已保存至 {output_path_reconstructed}")

 将image_path替换为你实际图像文件的路径。在上述代码中，我们首先使用非局部均值去噪算法对图像进行去噪，然后使用双立方插值进行图像的重建

图像配准

 图像配准是将两个或多个图像对齐以便进一步分析或融合的过程。

1. 特征点匹配：

  • cv2.SIFT、cv2.SURF、cv2.ORB等：用于检测和描述图像中的特征点。
  • cv2.BFMatcher、cv2.FlannBasedMatcher等：用于特征点匹配。

 

import cv2# 使用SIFT检测特征点和计算描述符
sift = cv2.SIFT_create()
keypoints1, descriptors1 = sift.detectAndCompute(image1, None)
keypoints2, descriptors2 = sift.detectAndCompute(image2, None)# 使用BFMatcher进行特征点匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(descriptors1, descriptors2, k=2)# 进行筛选，根据最佳/次优比率
good_matches = []
for m, n in matches:if m.distance < 0.75 * n.distance:good_matches.append(m)# 绘制匹配结果
img_matches = cv2.drawMatches(image1, keypoints1, image2, keypoints2, good_matches, None)
cv2.imshow('Matches', img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 透视变换：

 使用特征点匹配后，可以使用透视变换进行图像配准。

import cv2
import numpy as np# 获取匹配的特征点
src_pts = np.float32([keypoints1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([keypoints2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)# 计算透视变换矩阵
matrix, _ = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)# 应用透视变换
result = cv2.warpPerspective(image1, matrix, (width, height))

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/600571.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Danil Pristupov Fork(强大而易用的Git客户端) for Mac/Windows

Danil Pristupov Fork(强大而易用的Git客户端) for Mac/Windows

在当今软件开发领域&#xff0c;团队协作和版本控制是非常重要的方面。在这个过程中&#xff0c;Git成为了最受欢迎的版本控制工具之一。然而&#xff0c;对于Git的使用&#xff0c;一个好的客户端是至关重要的。 今天&#xff0c;我们要为大家介绍一款强大而易用的Git客户端—…
阅读更多...
.NET 8.0 本机 AOT

.NET 8.0 本机 AOT

在软件开发领域&#xff0c;优化性能和简化效率仍然至关重要。.NET 平台二十年来不断创新&#xff0c;为开发人员提供了构建弹性且高效的软件解决方案的基础架构。 与本机 AOT&#xff08;提前&#xff09;编译相结合&#xff0c;取得了显着的进步。本文深入研究.NET Native AO…
阅读更多...
计算机进入BIOS - Win/Linux

计算机进入BIOS - Win/Linux

计算机进入BIOS - Win/Linux 快捷键方法&#xff08;通用&#xff09;Win系统方法Linux系统方法 快捷键方法&#xff08;通用&#xff09; 此方法为通用方法&#xff0c;适用于任何型号的计算机&#xff0c;包括台式机和笔记本&#xff0c;也包括Win系统和Linux系统。 进入BI…
阅读更多...
OpenCV-Python(28):基于GrabCut 算法交互式前景提取

OpenCV-Python(28):基于GrabCut 算法交互式前景提取

目标 GrabCut 算法原理&#xff0c;使用GrabCut 算法提取图像的前景 创建一个交互是程序完成前景提取 介绍 GrabCut算法是一种基于图像分割的算法&#xff0c;用于将图像中的前景物体从背景中准确地分离出来。它是由Carsten Rother等人于2004年提出的。 GrabCut算法的基本思想…
阅读更多...
C#，入门教程(10)——常量、变量与命名规则的基础知识

C#，入门教程(10)——常量、变量与命名规则的基础知识

上一篇&#xff1a; C#&#xff0c;入门教程(09)——运算符的基础知识https://blog.csdn.net/beijinghorn/article/details/123908269 C#用于保存计算数据的元素&#xff0c;称为“变量”。 其中一般不改变初值的变量&#xff0c;称为常变量&#xff0c;简称“常量”。 无论…
阅读更多...
QT工具栏开始，退出

QT工具栏开始，退出

QT工具栏开始&#xff0c;退出 //初始化场景QMenuBar *bar menuBar();setMenuBar(bar);QMenu *startbar bar->addMenu("开始");QAction * quitAction startbar->addAction("退出");connect(quitAction , &QAction::triggered,[](){this->c…
阅读更多...
Pycharm打包程序为exe文件

Pycharm打包程序为exe文件

Pycharm打包程序为exe文件 【一】导入模块pyinstaller 【1】图片说明 【2】文字说明 根据图片顺序执行 首先点击file进入settings界面&#xff0c;在setting界面找到Project下面的Python Interpretor&#xff0c;点击号进行模块的添加在搜索框中输入pyinstaller&#xff0c;…
阅读更多...
三、Kubernetes（K8s）入门(一)

三、Kubernetes（K8s）入门(一)

视频教程连接k8s 入门到微服务项目实战.xmind链接&#xff1a;https://pan.baidu.com/s/1q04euH7baE8eXNyG3kPPbA 提取码&#xff1a;jej4比较好的笔记 kubectl命令的语法如下&#xff1a; kubectl [command] [type] [name] [flags]comand&#xff1a;指定要对资源执行的操作…
阅读更多...
了解单元测试

了解单元测试

一&#xff0c;测试分类 1.1 E2E测试&#xff08;end to end端到端测试&#xff09; 属于黑盒测试。 主要通过测试框架&#xff0c;站在用户测试人员的角度&#xff0c;模拟用户的操作进行页面功能的验证&#xff0c;不管内部实现机制&#xff0c;完全模拟浏览器的行为。&am…
阅读更多...
任我行CRM系统SmsDataList接口SQL注入漏洞复现 [附POC]

任我行CRM系统SmsDataList接口SQL注入漏洞复现 [附POC]

文章目录 任我行CRM系统SmsDataList接口SQL注入漏洞复现 [附POC]0x01 前言0x02 漏洞描述0x03 影响版本0x04 漏洞环境0x05 漏洞复现1.访问漏洞环境2.构造POC3.复现0x06 修复建议任我行CRM系统SmsDataList接口SQL注入漏洞复现 [附POC] 0x01 前言 免责声明：请勿利用文章内的相关…
阅读更多...
C++《异常》

C++《异常》

前言&#xff1a;C有一套独立的异常处理机制,今天就来做详细的介绍try,catch这两个词等 在C语言中处理错误的方式和缺陷有&#xff1a; 返回错误码。 缺陷&#xff1a; 1.错误码不好设置&#xff0c;比如&#xff1a;除0操作&#xff0c;就不好返回错误码。如果返回一个数字&…
阅读更多...
Flume基础知识（八）：Flume 拓扑结构全解

Flume基础知识（八）：Flume 拓扑结构全解

1. 简单串联 这种模式是将多个 flume 顺序连接起来了&#xff0c;从最初的 source 开始到最终 sink 传送的 目的存储系统。此模式不建议桥接过多的 flume 数量&#xff0c; flume 数量过多不仅会影响传输速 率&#xff0c;而且一旦传输过程中某个节点 flume 宕机&#xff0c;会…
阅读更多...
LC 2807. 在链表中插入最大公约数

LC 2807. 在链表中插入最大公约数

2807. 在链表中插入最大公约数 难度 &#xff1a; 中等 题目大意&#xff1a; 给你一个链表的头 head &#xff0c;每个结点包含一个整数值。 在相邻结点之间&#xff0c;请你插入一个新的结点&#xff0c;结点值为这两个相邻结点值的 最大公约数 。 请你返回插入之后的链表…
阅读更多...
thinkphp学习04-控制器定义

thinkphp学习04-控制器定义

控制器&#xff0c;即 controller&#xff0c;控制器文件存放在 controller 目录下&#xff1b; 如果想改变系统默认的控制器文件目录&#xff0c;可以在 config 下 route.php 配置&#xff1a; 将controller修改为controller123&#xff0c;就会报错&#xff0c;说明这个配置…
阅读更多...
Sqlmap参数设置

Sqlmap参数设置

Sqlmap参数设置 &#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388;&#x1f388; --------------------------------------------注意---------…
阅读更多...
易图讯便携式三维电子沙盘实战应用系统

易图讯便携式三维电子沙盘实战应用系统

便携式三维电子沙盘采用军工加固三防高性能笔记本&#xff0c;具有IP65级防尘防水防摔性能&#xff0c;以大数据、云计算、虚拟现实、物联网、AI等先进技术为支撑&#xff0c;支持高清卫星影像、DEM高程数据、矢量数据、三维模型、倾斜摄像、BIM、点云、城市白模、等高线、标高…
阅读更多...
033 - STM32学习笔记 - TIM定时器（一） - 高级定时器

033 - STM32学习笔记 - TIM定时器（一） - 高级定时器

033 - STM32学习笔记 - TIM定时器&#xff08;一&#xff09; - 高级定时器 上节内容学习了基本定时器&#xff0c;其功能比较简单&#xff0c;配置和使用也比较容易&#xff0c;今天在基本定时器的基础上学习一下高级控制定时器的内容。 在F429上一共有两个高级控制定时器和1…
阅读更多...
PyTorch|一次画一批图像

PyTorch|一次画一批图像

想想这样一个场景&#xff0c;我们训练了一个神经网络&#xff0c;输入一些信息&#xff0c;这个网络可以根据信息为我们生成相关图片。 这些图片并不是一张&#xff0c;而是多张&#xff0c;我们想把这些图片一次全部显示出来&#xff0c;而不是一张一张的显示&#xff08;这…
阅读更多...
Python蒸发散物理问题(微积分-线性代数-拉普拉斯和傅立叶变换)

Python蒸发散物理问题(微积分-线性代数-拉普拉斯和傅立叶变换)

使用Python计算解决土壤物理问题的数值。这里数值过程用于求解微分方程&#xff0c;数值方法将微分转化为代数方程&#xff0c;可以使用传统的线性代数方法求解。 Python拉普拉斯变换求解微分方程示例 假设我们有微分方程 y ′ ′ 2 y ′ 16 y cos ⁡ 4 t y^{\prime \pri…
阅读更多...
关于unity的组件VerticalLayoutGroup刷新显示不正常的问题

关于unity的组件VerticalLayoutGroup刷新显示不正常的问题

先说明一下我是如何用到&#xff0c;有哪些处理的 用到这个组件基本上都是将列表进行排版操作的&#xff0c;竖着&#xff0c;或者横着&#xff0c;横着用HorizontalLayoutGroup 还有一个和这个组件搭配的组件叫ContentSizeFitter 先说我是怎么发现这个组件不好用的 //本地读取…
阅读更多...
最新文章

Copyright @ 2022~2023