c/c++的opencv的图像预处理讲解

OpenCV 图像预处理核心技术详解 (C/C++)

图像预处理是计算机视觉任务中至关重要的一步。原始图像往往受到噪声、光照不均、尺寸不一等多种因素的影响，直接用于后续分析（如特征提取、目标检测、机器学习模型训练等）可能会导致性能下降或结果不准确。预处理旨在通过一系列操作来增强图像质量、去除噪声、标准化图像数据，使其更适合特定应用。

本文将详细介绍几种 OpenCV 中常用的图像预处理技术，包括其 C/C++ 实现、关键参数解析以及使用时的注意事项。

目录

  1. 灰度转换 (Grayscale Conversion)
  2. 图像缩放 (Resizing)
  3. 图像平滑/模糊 (Smoothing/Blurring)
    • 高斯模糊 (Gaussian Blur)
    • 中值模糊 (Median Blur)
    • 双边滤波 (Bilateral Filter)
  4. 阈值化处理 (Thresholding)
    • 简单阈值 (Simple Thresholding)
    • 自适应阈值 (Adaptive Thresholding)
  5. 图像归一化 (Normalization)
  6. 形态学操作 (Morphological Operations)
    • 腐蚀 (Erosion) 与膨胀 (Dilation)
    • 开运算 (Opening) 与闭运算 (Closing)
  7. 直方图均衡化 (Histogram Equalization)
  8. 总结与建议

1. 灰度转换 (Grayscale Conversion)

将彩色图像转换为灰度图像是最常见的预处理步骤之一。

  • 目的：降低数据维度（从3通道变为1通道），减少计算量，某些算法（如Canny边缘检测）通常在灰度图上操作。
  • OpenCV 函数：cv::cvtColor()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp> // 包含 cvtColorint main() {cv::Mat src = cv::imread("input.jpg", cv::IMREAD_COLOR);if (src.empty()) {std::cerr << "Error: Image cannot be loaded!" << std::endl;return -1;}cv::Mat gray;cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); // 注意OpenCV默认加载为BGRcv::imshow("Original", src);cv::imshow("Grayscale", gray);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::cvtColor):

  • src: 输入图像 (彩色图像)。
  • dst: 输出图像 (灰度图像)。
  • code: 颜色空间转换代码。
    • cv::COLOR_BGR2GRAY: 从 BGR (OpenCV 默认的彩色图像通道顺序) 转换为灰度。
    • cv::COLOR_RGB2GRAY: 从 RGB 转换为灰度 (如果你的图像源是 RGB)。
    • cv::COLOR_BGR2HSV: 转换为 HSV 颜色空间等。

注意事项:

  • 确保输入图像确实是彩色图像。对已经是灰度的图像进行此操作通常不会报错，但无意义。
  • OpenCV 使用 cv::imread() 加载图像时，默认通道顺序是 BGR。如果你的图像数据来自其他源（例如某些库或传感器可能输出 RGB），请注意选择正确的转换代码。

2. 图像缩放 (Resizing)

调整图像的尺寸以满足特定算法的输入要求或减少计算量。

  • 目的：统一输入尺寸，构建图像金字塔，加速处理。
  • OpenCV 函数：cv::resize()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp> // 包含 resizeint main() {cv::Mat src = cv::imread("input.jpg");if (src.empty()) {std::cerr << "Error: Image cannot be loaded!" << std::endl;return -1;}cv::Mat resized_abs, resized_rel;cv::Size new_size(300, 200); // 目标绝对尺寸：宽300, 高200// 方法1: 指定目标尺寸cv::resize(src, resized_abs, new_size, 0, 0, cv::INTER_LINEAR);// 方法2: 指定缩放因子double scale_x = 0.5;double scale_y = 0.5;cv::resize(src, resized_rel, cv::Size(), scale_x, scale_y, cv::INTER_LINEAR);cv::imshow("Original", src);cv::imshow("Resized (Absolute)", resized_abs);cv::imshow("Resized (Relative)", resized_rel);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::resize):

  • src: 输入图像。
  • dst: 输出图像。
  • dsize: 输出图像的目标尺寸 (cv::Size(width, height)）。如果设置为 cv::Size() (即 cv::Size(0,0))，则尺寸将通过 fx 和 fy 计算。
  • fx: 沿水平轴的缩放因子。如果 dsize 非零，则此参数无效。
  • fy: 沿垂直轴的缩放因子。如果 dsize 非零，则此参数无效。
  • interpolation: 插值方法。
    • cv::INTER_NEAREST: 最近邻插值。速度最快，但效果可能较差，有马赛克感。
    • cv::INTER_LINEAR: 双线性插值 (默认)。速度和效果的良好折中，常用于放大。
    • cv::INTER_CUBIC: 双三次插值。效果较好，尤其在放大时，但计算量更大。
    • cv::INTER_AREA: 基于区域的重采样。在缩小图像时效果较好，可以避免波纹。放大时类似最近邻。
    • cv::INTER_LANCZOS4: Lanczos 插值 (8x8邻域)。效果最好，但计算量最大。

注意事项:

  • 插值方法选择:
    • 缩小图像时，cv::INTER_AREA 通常是最佳选择，以避免信息丢失和摩尔纹。
    • 放大图像时，cv::INTER_LINEAR 是一个不错的起点，cv::INTER_CUBIC 或 cv::INTER_LANCZOS4 可以提供更好的质量，但更慢。
  • 长宽比: 如果只指定 dsize 而不考虑原始长宽比，图像可能会变形。如果需要保持长宽比，应先计算一个轴的缩放因子或新尺寸，然后据此计算另一个。
  • 如果同时提供了 dsize (非零) 和 fx/fy (非零)，dsize 优先。

3. 图像平滑/模糊 (Smoothing/Blurring)

用于减少图像噪声，平滑图像细节。

高斯模糊 (Gaussian Blur)

使用高斯核对图像进行卷积，有效去除高斯噪声。

  • OpenCV 函数：cv::GaussianBlur()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("input_noisy.jpg"); // 假设有一张带噪声的图if (src.empty()) { /* ... error handling ... */ return -1; }cv::Mat blurred_gaussian;cv::Size kernel_size(5, 5); // 高斯核尺寸，必须是正奇数double sigmaX = 0; // X方向标准差，若为0，则由ksize.width计算// double sigmaY = 0; // Y方向标准差，若为0，则由ksize.height计算 (或等于sigmaX)cv::GaussianBlur(src, blurred_gaussian, kernel_size, sigmaX);cv::imshow("Original", src);cv::imshow("Gaussian Blurred", blurred_gaussian);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::GaussianBlur):

  • ksize: 高斯核的尺寸 (cv::Size(width, height)）。宽度和高度必须是正奇数，也可以不同。
  • sigmaX: X 方向的高斯核标准差。
  • sigmaY: Y 方向的高斯核标准差。如果为0，则设置成与 sigmaX 相同；如果两者都为0，则它们从 ksize.width 和 ksize.height 计算得出。建议将 sigmaY 设为0，让其自动等于 sigmaX 或根据 ksize 计算。
  • borderType: 边界处理方式，默认 cv::BORDER_DEFAULT。

注意事项 (GaussianBlur):

  • ksize 越大，图像越模糊。sigmaX (和 sigmaY) 越大，模糊程度也越大。
  • 如果 sigmaX (和 sigmaY) 设置得非常小，而 ksize 较大，效果可能不佳。通常让 sigma 根据 ksize 计算 (通过将 sigmaX 设为0) 是个好主意，或者根据经验值设定。
  • 高斯模糊对所有方向的平滑程度相同，可能会模糊掉一些有用的边缘信息。

中值模糊 (Median Blur)

用像素邻域内的中值替换该像素的值，对椒盐噪声特别有效。

  • OpenCV 函数：cv::medianBlur()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("salt_pepper_noise.jpg"); // 假设有椒盐噪声图if (src.empty()) { /* ... error handling ... */ return -1; }cv::Mat blurred_median;int ksize_median = 5; // 孔径线性尺寸，必须是大于1的奇数cv::medianBlur(src, blurred_median, ksize_median);cv::imshow("Original", src);cv::imshow("Median Blurred", blurred_median);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::medianBlur):

  • ksize: 孔径的线性尺寸 (例如，5 表示 5x5 的邻域)。必须是大于1的奇数。

注意事项 (medianBlur):

  • ksize 越大，平滑效果越强，但也可能丢失更多图像细节。
  • 相比高斯模糊，中值模糊在去除椒盐噪声的同时能更好地保留边缘。
  • 计算开销随 ksize 增加而显著增加。

双边滤波 (Bilateral Filter)

在平滑图像的同时保持边缘清晰。

  • OpenCV 函数：cv::bilateralFilter()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("input.jpg");if (src.empty()) { /* ... error handling ... */ return -1; }cv::Mat blurred_bilateral;int d = 9;              // 滤波期间每个像素邻域的直径。如果非正，则从 sigmaSpace 计算。double sigmaColor = 75; // 颜色空间滤波器的 Sigma 值。较大值意味着邻域内更远的颜色也会混合在一起，从而产生更大区域的半相等颜色。double sigmaSpace = 75; // 坐标空间滤波器的 Sigma 值。较大值意味着更远的像素将相互影响，只要它们的颜色足够接近。当 d>0 时，它指定邻域大小而不考虑 sigmaSpace。否则，d 与 sigmaSpace 成正比。cv::bilateralFilter(src, blurred_bilateral, d, sigmaColor, sigmaSpace);cv::imshow("Original", src);cv::imshow("Bilateral Filtered", blurred_bilateral);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::bilateralFilter):

  • d: 在过滤期间使用的每个像素邻域的直径。如果为非正数（例如 -1），则会从 sigmaSpace 计算出来。通常取 5 到 9 之间的值。
  • sigmaColor: 颜色空间的标准差。值越大，意味着越多差异较大的颜色会被认为是相似的，从而被平均。
  • sigmaSpace: 坐标空间的标准差。值越大，意味着越远的像素会相互影响（只要颜色相似）。如果 d > 0，则 d 指定邻域大小，sigmaSpace 不起作用；否则 d 与 sigmaSpace 成正比。

注意事项 (bilateralFilter):

  • 双边滤波比其他模糊方法慢得多。
  • 参数 sigmaColor 和 sigmaSpace 的调整对结果影响很大，需要根据具体图像和需求进行调试。
  • 如果 sigmaColor 值过大，效果接近高斯模糊；如果过小，则平滑效果不明显。
  • 如果 sigmaSpace 值过大，计算量会增加。

4. 阈值化处理 (Thresholding)

将图像转换为二值图像（通常是黑白）。

简单阈值 (Simple Thresholding)

将像素值与固定阈值进行比较。

  • OpenCV 函数：cv::threshold()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("input.jpg", cv::IMREAD_GRAYSCALE); // 阈值处理通常在灰度图上进行if (src.empty()) { /* ... error handling ... */ return -1; }cv::Mat thresh_binary, thresh_otsu;double thresh_val = 127;double max_val = 255;// 基本二值阈值cv::threshold(src, thresh_binary, thresh_val, max_val, cv::THRESH_BINARY);// Otsu's 二值化 (自动计算阈值)// 此时，输入的 thresh_val (这里是0) 被忽略，函数会自动计算最佳阈值double otsu_thresh = cv::threshold(src, thresh_otsu, 0, max_val, cv::THRESH_BINARY | cv::THRESH_OTSU);std::cout << "Otsu's calculated threshold: " << otsu_thresh << std::endl;cv::imshow("Original Grayscale", src);cv::imshow("Binary Threshold", thresh_binary);cv::imshow("Otsu's Threshold", thresh_otsu);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::threshold):

  • src: 输入图像，通常是单通道灰度图。
  • dst: 输出的二值图像。
  • thresh: 阈值。
  • maxval: 当像素值超过（或满足某些条件，取决于 type）阈值时赋予的新值。
  • type: 阈值类型：
    • cv::THRESH_BINARY: 如果 src(x,y) > thresh，则 dst(x,y) = maxval，否则 dst(x,y) = 0。
    • cv::THRESH_BINARY_INV: cv::THRESH_BINARY 的反转。
    • cv::THRESH_TRUNC: 如果 src(x,y) > thresh，则 dst(x,y) = thresh，否则 dst(x,y) = src(x,y)。
    • cv::THRESH_TOZERO: 如果 src(x,y) > thresh，则 dst(x,y) = src(x,y)，否则 dst(x,y) = 0。
    • cv::THRESH_TOZERO_INV: cv::THRESH_TOZERO 的反转。
    • cv::THRESH_OTSU: Otsu’s 二值化。与上述类型之一（通常是 cv::THRESH_BINARY）通过 | (位或) 组合使用。函数会自动计算一个全局最优阈值。此时 thresh 参数被忽略。
    • cv::THRESH_TRIANGLE: Triangle 算法，也用于自动阈值确定。

注意事项 (threshold):

  • 输入图像应为灰度图。
  • cv::THRESH_OTSU 和 cv::THRESH_TRIANGLE 对于双峰直方图的图像效果较好，可以自动找到合适的阈值，但对光照不均的图像可能效果不佳。
  • 选择合适的 thresh 值对于简单阈值至关重要，通常需要实验或基于图像直方图分析。

自适应阈值 (Adaptive Thresholding)

对于光照不均的图像，使用局部阈值而非全局阈值。

  • OpenCV 函数：cv::adaptiveThreshold()
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("uneven_lighting.jpg", cv::IMREAD_GRAYSCALE); // 假设光照不均if (src.empty()) { /* ... error handling ... */ return -1; }cv::Mat adaptive_thresh_mean, adaptive_thresh_gaussian;double max_val = 255;int block_size = 11; // 邻域大小，必须是奇数double C = 2;        // 从均值或加权均值中减去的常数cv::adaptiveThreshold(src, adaptive_thresh_mean, max_val,cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY,block_size, C);cv::adaptiveThreshold(src, adaptive_thresh_gaussian, max_val,cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY,block_size, C);cv::imshow("Original Grayscale", src);cv::imshow("Adaptive Mean Threshold", adaptive_thresh_mean);cv::imshow("Adaptive Gaussian Threshold", adaptive_thresh_gaussian);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::adaptiveThreshold):

  • src: 输入灰度图像。
  • dst: 输出二值图像。
  • maxValue: 赋予超过阈值的像素的新值。
  • adaptiveMethod: 自适应阈值算法：
    • cv::ADAPTIVE_THRESH_MEAN_C: 阈值是邻域的均值减去 C。
    • cv::ADAPTIVE_THRESH_GAUSSIAN_C: 阈值是邻域的高斯加权和减去 C。
  • thresholdType: 阈值类型，通常是 cv::THRESH_BINARY 或 cv::THRESH_BINARY_INV。
  • blockSize: 用于计算阈值的像素邻域大小，必须是奇数。
  • C: 从均值或加权均值中减去的常数。可以是正数、零或负数。

注意事项 (adaptiveThreshold):

  • blockSize 和 C 的选择对结果影响很大，需要仔细调整。
  • blockSize 越大，参与计算局部阈值的区域就越大，细节可能会丢失。太小则可能对噪声敏感。
  • cv::ADAPTIVE_THRESH_GAUSSIAN_C 通常比 cv::ADAPTIVE_THRESH_MEAN_C 效果更好，因为它对中心点附近的像素赋予更大权重。

5. 图像归一化 (Normalization)

将像素值缩放到特定范围，例如 [0, 1] 或 [0, 255]。

  • 目的：消除由于光照和对比度不同带来的影响，改善某些算法（如机器学习模型）的性能。
  • OpenCV 函数：cv::normalize()
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp> // 包含 normalizeint main() {// 假设我们有一个CV_32F类型的图像（例如，某些算法的输出）cv::Mat src = cv::Mat::zeros(100, 100, CV_32FC1);cv::randu(src, cv::Scalar::all(50), cv::Scalar::all(200)); // 填充50-200之间的随机值cv::Mat normalized_img;double alpha = 0;   // 归一化后的最小值double beta = 255;  // 归一化后的最大值 (对于显示，通常是255)// 对于机器学习特征，可能是1.0// 归一化到 [alpha, beta] 范围cv::normalize(src, normalized_img, alpha, beta, cv::NORM_MINMAX, CV_8UC1); // 输出为CV_8UC1用于显示// 如果只是想归一化到 [0,1] 并且保持浮点类型cv::Mat normalized_float;cv::normalize(src, normalized_float, 0.0, 1.0, cv::NORM_MINMAX, CV_32FC1);// 显示需要转换到8位cv::Mat src_display, norm_display;if (src.type() != CV_8U) src.convertTo(src_display, CV_8U, 255.0/(200-50), -50.0 * 255.0/(200-50)); // 手动调整范围以便显示else src.copyTo(src_display);normalized_img.copyTo(norm_display); // normalized_img 已经是 CV_8UC1cv::imshow("Original (scaled for display)", src_display);cv::imshow("Normalized to [0, 255]", norm_display);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::normalize):

  • src: 输入数组。
  • dst: 输出数组，与 src 大小相同。
  • alpha: 范围归一化的下界。
  • beta: 范围归一化的上界 (对于 cv::NORM_MINMAX) 或范数值 (对于其他类型)。
  • norm_type: 归一化类型：
    • cv::NORM_MINMAX: 将值线性缩放到 [alpha, beta] 范围。
    • cv::NORM_INF, cv::NORM_L1, cv::NORM_L2: 按指定范数进行归一化 (通常 beta 用作目标范数值)。
  • dtype: 当为负数时，输出数组 dst 的类型与 src 相同；否则，它与 src 的通道数相同，但深度为 dtype。例如，可以将 CV_32F 归一化为 CV_8U。
  • mask: 可选的操作掩码。

注意事项 (normalize):

  • 最常用的归一化类型是 cv::NORM_MINMAX。
  • 如果 dtype 设置为输出特定类型（如 CV_8U），则会进行类型转换和可能的截断/缩放。
  • 在进行某些特征描述子计算或将图像输入到神经网络之前，归一化非常重要。

6. 形态学操作 (Morphological Operations)

基于形状改变图像结构的非线性操作，常用于噪声去除、物体分离/连接、寻找区域等。

  • 核心元素: 结构元素 (Kernel/Structuring Element)，它定义了操作的邻域形状。
    • 使用 cv::getStructuringElement(shape, ksize, anchor) 创建。
      • shape: cv::MORPH_RECT (矩形), cv::MORPH_ELLIPSE (椭圆), cv::MORPH_CROSS (十字形)。
      • ksize: 结构元素的尺寸。
      • anchor: 锚点位置，默认在中心。

腐蚀 (Erosion) 与膨胀 (Dilation)

  • 腐蚀 (cv::erode): “收缩” 或 “细化” 图像中的亮区（前景）。去除小的噪点。
  • 膨胀 (cv::dilate): “扩张” 或 “加粗” 图像中的亮区。连接断开的部分，填充孔洞。
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("binary_image.png", cv::IMREAD_GRAYSCALE); // 最好是二值图或灰度图if (src.empty()) { /* ... error handling ... */ return -1; }// 确保是二值图像 (例如，经过阈值化处理)cv::threshold(src, src, 127, 255, cv::THRESH_BINARY);cv::Mat eroded, dilated;cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));// int iterations = 1; // 操作迭代次数cv::erode(src, eroded, kernel);cv::dilate(src, dilated, kernel);cv::imshow("Original Binary", src);cv::imshow("Eroded", eroded);cv::imshow("Dilated", dilated);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::erode, cv::dilate):

  • src: 输入图像。
  • dst: 输出图像。
  • kernel: 结构元素。如果为 cv::Mat()，则使用 3x3 矩形核。
  • anchor: 锚点位置，默认 cv::Point(-1,-1) 表示在核中心。
  • iterations: 操作迭代次数。次数越多，效果越明显。
  • borderType, borderValue: 边界处理。

开运算 (Opening) 与闭运算 (Closing)

通过组合腐蚀和膨胀实现更复杂的操作。使用 cv::morphologyEx()。

  • 开运算 (cv::MORPH_OPEN): 先腐蚀后膨胀。用于去除小的噪点（暗背景上的亮噪点），平滑物体轮廓，断开细小连接。
  • 闭运算 (cv::MORPH_CLOSE): 先膨胀后腐蚀。用于填充物体内的小孔洞，连接邻近物体，平滑轮廓。
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("noisy_binary.png", cv::IMREAD_GRAYSCALE);if (src.empty()) { /* ... error handling ... */ return -1; }cv::threshold(src, src, 127, 255, cv::THRESH_BINARY);cv::Mat opened, closed;cv::Mat kernel = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(7, 7));cv::morphologyEx(src, opened, cv::MORPH_OPEN, kernel);cv::morphologyEx(src, closed, cv::MORPH_CLOSE, kernel);cv::imshow("Original Binary", src);cv::imshow("Opened", opened);cv::imshow("Closed", closed);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析 (cv::morphologyEx):

  • op: 形态学操作类型：
    • cv::MORPH_OPEN, cv::MORPH_CLOSE
    • cv::MORPH_GRADIENT: 膨胀图与腐蚀图之差，可得到物体轮廓。
    • cv::MORPH_TOPHAT: 原图与开运算结果之差。
    • cv::MORPH_BLACKHAT: 闭运算结果与原图之差。
  • 其他参数与 erode/dilate 类似。

注意事项 (形态学操作):

  • 通常在二值图像上操作效果最直观，但也可用于灰度图像。
  • 结构元素 kernel 的形状和大小对结果影响极大。矩形核适用于处理具有水平和垂直边缘的结构；椭圆或圆形核更通用。
  • iterations 参数可以增强效果，但多次小核操作不完全等同于一次大核操作。

7. 直方图均衡化 (Histogram Equalization)

增强图像对比度，尤其对那些像素值集中在某个狭窄范围内的图像有效。

  • 目的：扩展图像的像素强度分布，使其更均匀地覆盖整个强度范围。
  • OpenCV 函数:
    • cv::equalizeHist(): 全局直方图均衡化。
    • cv::CLAHE: 对比度受限的自适应直方图均衡化 (Contrast Limited Adaptive Histogram Equalization)。
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>int main() {cv::Mat src = cv::imread("low_contrast.jpg", cv::IMREAD_GRAYSCALE); // 假设低对比度图if (src.empty()) { /* ... error handling ... */ return -1; }cv::Mat equalized_global;cv::equalizeHist(src, equalized_global);cv::Mat equalized_clahe;// 创建 CLAHE 对象// double clipLimit = 2.0; // 对比度限制阈值// cv::Size tileGridSize(8, 8); // 将图像划分为的小块数量cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE();clahe->setClipLimit(2.0);clahe->setTileGridSize(cv::Size(8, 8));clahe->apply(src, equalized_clahe);cv::imshow("Original Grayscale", src);cv::imshow("Global Histogram Equalization", equalized_global);cv::imshow("CLAHE", equalized_clahe);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

参数解析:

  • cv::equalizeHist(src, dst):

    • src: 输入8位单通道图像 (灰度图)。
    • dst: 输出均衡化后的图像。

  • cv::createCLAHE(clipLimit, tileGridSize):

    • clipLimit: 对比度限制。较高的值允许更大的对比度。如果噪声是问题，可以减小它。默认40.0。
    • tileGridSize: 将图像分割成的小块（tile）的网格尺寸。例如 cv::Size(8,8) 表示 8x8 的小块。在每个小块内进行直方图均衡化。

注意事项:

  • cv::equalizeHist() 是全局操作，可能会导致某些区域的对比度过度增强，并放大噪声。
  • CLAHE 是局部操作，将图像分成小块，在每个小块内进行直方图均衡化，然后通过双线性插值拼接，通常效果更好，能有效限制对比度放大，减少噪声。
  • CLAHE 的 clipLimit 和 tileGridSize 参数需要根据图像内容调整。
  • 这些操作通常用于灰度图像。若要用于彩色图像，可以先转换到如 HSV 或 Lab 等颜色空间，对亮度通道 (V 或 L) 进行均衡化，然后再转换回 BGR。

8. 总结与建议

图像预处理是一个实验性很强的过程，没有万能的方法。

  • 理解你的数据: 分析图像的特点（噪声类型、光照条件、尺寸变化等）。
  • 明确你的目标: 预处理的目的是服务于后续任务。不同的任务可能需要不同的预处理组合。
  • 参数调整: 大多数预处理函数的参数对结果影响显著，需要耐心调试和比较。
  • 顺序问题: 预处理步骤的顺序也很重要。例如，通常先去噪再进行边缘检测或阈值化。
  • 可视化: 始终可视化每一步预处理的结果，以便直观判断效果。
  • 适度原则: 过度的预处理可能会丢失有用信息。

从这些基础操作开始，你可以构建复杂的预处理流水线来应对各种计算机视觉挑战。祝你在 OpenCV 的学习和应用中取得成功！

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/web/80165.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

使用 Docker 部署 React + Nginx 应用教程

使用 Docker 部署 React + Nginx 应用教程

目录 1. 创建react项目结构2. 创建 .dockerignore3. 创建 Dockerfile4. 创建 nginx.conf5. 构建和运行6. 常用命令 1. 创建react项目结构 2. 创建 .dockerignore # 依赖目录 node_modules npm-debug.log# 构建输出 dist build# 开发环境文件 .git .gitignore .env .env.local …
阅读更多...
Java 流（Stream）API

Java 流（Stream）API

一、理论说明 1. 流的定义 Java 流&#xff08;Stream&#xff09;是 Java 8 引入的新特性&#xff0c;用于对集合&#xff08;如 List、Set&#xff09;或数组进行高效的聚合操作&#xff08;如过滤、映射、排序&#xff09;和并行处理。流不存储数据&#xff0c;而是按需计…
阅读更多...
网络协议分析 实验七 FTP、HTTP、DHCP

网络协议分析 实验七 FTP、HTTP、DHCP

文章目录 实验7.1 FTP协议练习二 使用浏览器登入FTP练习三 在窗口模式下&#xff0c;上传/下传数据文件实验7.2 HTTP(Hyper Text Transfer Protocol)练习二 页面提交练习三 访问比较复杂的主页实验7.3 DHCP(Dynamic Host Configuration Protocol) 实验7.1 FTP协议 dir LIST&…
阅读更多...
go语言学习进阶

go语言学习进阶

目录 第一章 go语言中包的使用 一.main包 二.package 三.import 四.goPath环境变量 五.init包初始化 六.管理外部包 第二章 time包 第三章 File文件操作 一.FileInfo接口 二.权限 三.打开模式 四.File操作 五.读文件 参考1&#xff1a;Golang 中的 bufio 包详解…
阅读更多...
Hue面试内容整理-后端框架

Hue面试内容整理-后端框架

Cloudera 的 Hue 项目在后端采用了成熟的 Python Web 框架 Django，结合其他组件构建了一个可扩展、模块化的系统，便于与 Hadoop 生态系统中的各个组件集成。以下是 Hue 后端架构的详细介绍： 后端架构概览 1. Django Web 框架 Hue 的核心是基于 Django 构建的 Web 应用，负责…
阅读更多...
Web-CSS入门

Web-CSS入门

WEB前端&#xff0c;三部分&#xff1a;HTML部分、CSS部分、Javascript部分。 1.HTML部分&#xff1a;主要负责网页的结构层 2.CSS部分&#xff1a;主要负责网页的样式层 3.JS部分&#xff1a;主要负责网页的行为层 **基本概念** 层叠样式表&#xff0c;Cascading Style Sh…
阅读更多...
2025年PMP 学习十六 第11章 项目风险管理 （总章）

2025年PMP 学习十六 第11章 项目风险管理 （总章）

2025年PMP 学习十六 第11章 项目风险管理 &#xff08;总章&#xff09; 第11章 项目风险管理 序号过程过程组1规划风险管理规划2识别风险规划3实施定性风险分析规划4实施定量风险分析规划5规划风险应对执行6实施风险应对执行7监控风险监控 目标: 提高项目中积极事件的概率和…
阅读更多...
基于SpringBoot的小区停车位管理系统

基于SpringBoot的小区停车位管理系统

作者&#xff1a;计算机学姐 开发技术&#xff1a;SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等&#xff0c;“文末源码”。 专栏推荐&#xff1a;前后端分离项目源码、SpringBoot项目源码、Vue项目源码、SSM项目源码、微信小程序源码 精品专栏&#xff1a;…
阅读更多...
HTML常用标签用法全解析：构建语义化网页的核心指南

HTML常用标签用法全解析：构建语义化网页的核心指南

HTML作为网页开发的基石&#xff0c;其标签的合理使用直接影响页面的可读性、SEO效果及维护性。本文系统梳理HTML核心标签的用法&#xff0c;结合语义化设计原则与实战示例&#xff0c;助你构建规范、高效的网页结构。 一、基础结构与排版标签 1.1 文档结构 <!DOCTYPE htm…
阅读更多...
国产linux系统（银河麒麟，统信uos）使用 PageOffice自定义Word模版中的数据区域

国产linux系统（银河麒麟，统信uos）使用 PageOffice自定义Word模版中的数据区域

​ PageOffice 国产版 &#xff1a;支持信创系统&#xff0c;支持银河麒麟V10和统信UOS&#xff0c;支持X86&#xff08;intel、兆芯、海光等&#xff09;、ARM&#xff08;飞腾、鲲鹏、麒麟等&#xff09;、龙芯&#xff08;Mips、LoogArch&#xff09;芯片架构。 在实际的Wor…
阅读更多...
.NET Core liunx二进制文件安装

.NET Core liunx二进制文件安装

最近遇见个尴尬的事情&#xff0c;都2025年了。我需要部署一个自己多年前写的项目。由于时间紧、任务重&#xff0c;我懒得去升级到8.0了。于是计划在Ubuntu20.04上安装.NET Core3.1项目。可以使用包管理器却安装不上了。于是&#xff0c;我就尝试二进制文件安装。 实际上二进…
阅读更多...
【python基础知识】Day 27 函数专题2：装饰器

【python基础知识】Day 27 函数专题2：装饰器

知识点&#xff1a; 装饰器的思想&#xff1a;进一步复用函数的装饰器写法注意内部函数的返回值 装饰器教程 作业&#xff1a; 编写一个装饰器 logger&#xff0c;在函数执行前后打印日志信息&#xff08;如函数名、参数、返回值&#xff09; def logger(func):def wrapper(*ar…
阅读更多...
MGX：多智能体管理开发流程

MGX：多智能体管理开发流程

MGX的多智能体团队如何通过专家混合系统采用全新方法，彻底改变开发流程，与当前的单一智能体工具截然不同。 Lovable和Cursor在自动化我们的特定开发流程方面取得了巨大飞跃，但问题是它们仅解决软件开发的单一领域。 这就是MGX（MetaGPT X）的用武之地，它是一种正在重新定…
阅读更多...
【未完】【GNN笔记】EvolveGCN:Evolving Graph Convolutional Networks for Dynamics Graphs

【未完】【GNN笔记】EvolveGCN:Evolving Graph Convolutional Networks for Dynamics Graphs

Evolving Graph Convolutional Networks for Dynamics Graphs 视频链接&#xff1a;《图神经网络》 相关系列&#xff1a; 《Dynamic Graph的分类》《动态图网络之Dynamic Self-Attention Network》 文章目录 Evolving Graph Convolutional Networks for Dynamics Graphs一、…
阅读更多...
Go语言之路————并发

Go语言之路————并发

Go语言之路————并发 前言协程管道SelectsyncWaitGroup锁 前言 我是一名多年Java开发人员&#xff0c;因为工作需要现在要学习go语言&#xff0c;Go语言之路是一个系列&#xff0c;记录着我从0开始接触Go&#xff0c;到后面能正常完成工作上的业务开发的过程&#xff0c;如…
阅读更多...
Gmsh划分网格|四点矩形

Gmsh划分网格|四点矩形

先看下面这段官方自带脚本 /*********************************************************************** Gmsh tutorial 1** Variables, elementary entities (points, curves, surfaces), physical* entities (points, curves, surfaces)********************************…
阅读更多...
leetcode0215. 数组中的第K个最大元素-medium

leetcode0215. 数组中的第K个最大元素-medium

1 题目&#xff1a;数组中的第K个最大元素 官方标定难度&#xff1a;中 给定整数数组 nums 和整数 k&#xff0c;请返回数组中第 k 个最大的元素。 请注意&#xff0c;你需要找的是数组排序后的第 k 个最大的元素&#xff0c;而不是第 k 个不同的元素。 你必须设计并实现时…
阅读更多...
rocketmq 环境配置[python]

rocketmq 环境配置[python]

因本人是 python 开发&#xff0c;macbook 开发。windows 可以采取配置远程 linux 解释器或者 pycharm 专业版的 docker 解释器进行开发 M1 芯片 本地运行 rocketmq rocketmq Python 开源地址&#xff1a; https://github.com/apache/rocketmq-client-python 因为需要 linu…
阅读更多...
OCCT知识笔记之OCAF框架详解

OCCT知识笔记之OCAF框架详解

OCAF框架在OCCT项目中的构建与使用指南 Open CASCADE Application Framework (OCAF)是Open CASCADE Technology (OCCT)中用于管理CAD数据的核心框架&#xff0c;它提供了一种结构化方式来组织和管理复杂的CAD数据&#xff0c;如装配体、形状、属性(颜色、材料)和元数据等。本文…
阅读更多...
go-数据库基本操作

go-数据库基本操作

1. 配置数据库 package mainimport ("gorm.io/driver/mysql""gorm.io/gorm" ) #配置表结构 type User struct {ID int64 json:"id" gorm:"primary_key" // 主键ID自增长Username stringPassword string } #配置连接接信息 func…
阅读更多...
最新文章

Copyright @ 2022~2023