杭州有哪些做网站的公司,wordpress检查后门,深圳求职网站哪个好,长春市规划建设局网站查询一.图像色彩空间转换
1.1 HSV颜色空间
HSV颜色空间使用色调#xff08;Hue#xff09;、饱和度#xff08;Saturation#xff09;和亮度#xff08;Value#xff09;三个参数来表示颜色
一般对颜色空间的图像进行有效处理都是在HSV空间进行的#xff0c;然后对于基本…一.图像色彩空间转换
1.1 HSV颜色空间
HSV颜色空间使用色调Hue、饱和度Saturation和亮度Value三个参数来表示颜色
一般对颜色空间的图像进行有效处理都是在HSV空间进行的然后对于基本色中对应的HSV分量需要给定一个严格的范围下面是通过实验计算的模糊范围准确的范围在网上都没有给出。
H: 0— 180
S: 0— 255
V: 0— 255 也就是可以通过颜色的范围来提取图像中的一种或多种颜色。 HSV的好处
- 符合人类对颜色的感知方式人类对颜色的感知是基于色调、饱和度和亮度三个维度的而HSV颜色空间恰好就是通过这三个维度来描述颜色的。因此使用HSV空间处理图像可以更直观地调整颜色和进行色彩平衡等操作更符合人类的感知习惯。
- 颜色调整更加直观例如在RGB空间中要调整红色系的颜色需要同时调整R、G、B三个通道的数值而在HSV空间中只需要调整色调和饱和度即可。
- 降维处理有利于计算在图像处理中降维处理可以减少计算的复杂性和计算量。HSV颜色空间相对于RGB颜色空间减少了两个维度红、绿、蓝 1.2 颜色空间转换 cv2.cvtColor(img,code) code指定转换的类型可以使用预定义的转换代码。
- cv2.COLOR_RGB2GRAY 表示从RGB到灰度图像的转换
- cv2.COLOR_BGR2HSV 从RGB到HSV的转换 二.灰度化
彩色图是由R、G、B三个通道组成而灰度图只有一个通道。
灰度图像与黑白图像不同在计算机图像领域中黑白图像只有黑色与白色两种颜色但是灰度图像的取值可以是0~255不过只有一个通道。这样可以有256级灰度
# 在读取时也可以直接将其转化为灰度图
import cv2 as cvimg cv.imread(../images/flower.png, cv.IMREAD_GRAYSCALE)
cv.imshow(Gray Image, img)
cv.waitKey(0)
cv.destroyAllWindows() 2.1 最大值法
从R、G、B三个通道的值中选出最大的一个并将其作为灰度图像中对应位置的像素值. 2.2 平均值法
将R、G、B三个通道的像素值全部加起来然后再除以三。 2.3 加权均值法最常用且内置 按照一定的权重去乘以每个通道的像素值并将其相加得到最后的值就是灰度图像中对应位置的像素值。权重的比例为 R乘以0.299G乘以0.587B乘以0.114这是经过大量实验得到的一个权重比例也是一个比较常用的权重比例
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)cv.imshow(Original, flower)
cv.imshow(Gray, gray) cv.waitKey(0)
cv.destroyAllWindows() 三. 二值化处理
二值图像的二维矩阵仅由两个值构成也就是灰度图像的取值范围变了只有01
- 其操作的图像必须是灰度图 二值化处理函数 _,binary cv2.threshold(img,thresh,maxval,type) - img输入图像要进行二值化处理的灰度图。
- thresh设定的阈值。
- maxval当像素值大于(或小于取决于阈值类型)thresh时该像素被赋予的值。
- type阈值处理的类型。 - 返回值 - 第一个值通常用下划线表示计算出的阈值若使用自适应阈值法会根据算法自动计算出这个值。 - 第二个值binary二值化后的图像矩阵。与输入图像尺寸相同。 3.1 阈值法 THRESH_BINARY 设置一个阈值将灰度图中的每一个像素值与该阈值进行比较小于等于阈值的像素就被设置为0通常代表背景大于阈值的像素就被设置为maxval(通常为255)
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))# 获得灰度图
gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用阈值法二值化
_,binary cv.threshold(gray, 127, 255, cv.THRESH_BINARY)cv.imshow(flower, gray)
cv.imshow(binary, binary)
cv.waitKey(0)
cv.destroyAllWindows() 3.2 反阈值法 THRESH_BINARY_INV 与阈值法相反
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))# 获得灰度图
gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用反阈值法二值化
_,binary cv.threshold(gray, 127, 255, cv.THRESH_BINARY_INV)cv.imshow(flower, gray)
cv.imshow(binary, binary)
cv.waitKey(0)
cv.destroyAllWindows() 3.3 截断阈值法 THRESH_TRUNC 所有像素与阈值进行比较像素值大于阈值的部分将会被修改为阈值小于等于阈值的部分不变
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))# 获得灰度图
gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用截断阈值法二值化
# 可以看到我们依然给了maxval但是实际上这个maxval没有起作用但是还是要写不然会报错
_,binary cv.threshold(gray, 127, 255, cv.THRESH_TRUNC)cv.imshow(flower, gray)
cv.imshow(binary, binary)
cv.waitKey(0)
cv.destroyAllWindows() 3.4 低阈值零处理 THRESH_TOZERO 像素值小于等于阈值的部分被置为0,大于阈值的部分不变。
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))# 获得灰度图
gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用低阈值零处理二值化_,binary cv.threshold(gray, 127, 255, cv.THRESH_TOZERO)cv.imshow(flower, gray)
cv.imshow(binary, binary)
cv.waitKey(0)
cv.destroyAllWindows() 3.5 超阈值零处理 THRESH_TOZERO_INV 像素值大于阈值的部分置为0像素值小于等于阈值的部分不变。
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))# 获得灰度图
gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用超阈值零处理二值化
_,binary cv.threshold(gray, 127, 255, cv.THRESH_TOZERO_INV)cv.imshow(flower, gray)
cv.imshow(binary, binary)
cv.waitKey(0)
cv.destroyAllWindows() 3.6 OTSU阈值法 cv2.THRESH_OTS cv2.THRESH_OTS 并不是一个有效的阈值类型或标,它其实是用来计算合适阈值的方法通常与 THRESH_BINARY 或 THRESH_BINARY_INV 结合使用 OTSU算法是通过一个值将这张图分前景和背景
也就是灰度图中小于这个值的是一类大于这个值的是一类。例如如果你设置阈值为128则所有大于128的像素点可以被视作前景而小于等于128的像素点则被视为背景。 通过统计学方法最大类间方差来验证该值的合理性当根据该值进行分割时使用最大类间方差计算得到的值最大时该值就是二值化算法中所需要的阈值。通常该值是从灰度图中的最小值加1开始进行迭代计算直到灰度图中的最大像素值减1然后把得到的最大类间方差值进行比较。
import cv2 as cvimg cv.imread(../images/flower.png)
flower cv.resize(img,(200, 200))# 获得灰度图
gray cv.cvtColor(flower, cv.COLOR_BGR2GRAY)# 使用OTSU阈值法二值化(默认是结合阈值法即THRESH_BINARY)
_,binary cv.threshold(gray, 127, 255, cv.THRESH_OTSU)
# 结合反阈值法
_,binary1 cv.threshold(gray, 0, 255, cv.THRESH_OTSUcv.THRESH_BINARY_INV)cv.imshow(flower, gray)
cv.imshow(binary, binary)
cv.imshow(binary1, binary1)
cv.waitKey(0)
cv.destroyAllWindows() 3.7 自适应二值化 其会对图像中的所有像素点计算其各自的阈值将图像划分为固定大小的块然后对每个块进行阈值处理。 cv2.adaptiveThreshold (image_np_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 10) 参数
maxval最大阈值一般为255
adaptiveMethod小区域阈值的计算方式
ADAPTIVE_THRESH_MEAN_C小区域内取均值
ADAPTIVE_THRESH_GAUSSIAN_C小区域内加权求和权重是个高斯核
thresholdType二值化方法只能使用THRESH_BINARY、THRESH_BINARY_INV也就是阈值法和反阈值法
blockSize选取的小区域的面积如7就是7\*7的小块。
C最终阈值等于小区域计算出的阈值再减去此值 自适应二值化更加适合用在明暗分布不均的图片因为图片的明暗不均导致图片上的每一小部分都要使用不同的阈值进行二值化处理。 3.7.1 取均值 从图片的左上角开始计算其邻域内的平均值用一个均值卷积核来实现将卷积核中心对准要阈值处理的像素然后计算这个卷积核内所有像素的平均值最后减去常数C得到该点阈值。 如图如果像取第一个元素卷积核有空缺处就按边缘填充的方式填充。 3.7.2 加权求和 对小区域内的像素进行加权求和得到新的阈值其权重值来自于高斯分布。与取均值的区别就是采用另一种规则的卷积核进行阈值选择函数中有着基本相同的参数。
3*3卷积核示例
