opencv图片处理常见操作方法总结_Python

今天学习opencv对图片的常见处理操作，包括：图片的打码，组合，放缩，加法运算，加权运算，以及图片的模糊处理（平滑处理）

1、图片打码

代码：

import cv2
import numpy as np

# 图片打码
a = cv2.imread(r'img.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)

(100,100,3)表示生成100行100列三通道的三维数组。

运行结果：

2、图片组合和缩放

代码：

import cv2
a = cv2.imread('img_1.png')
b = cv2.imread('img.png')
b[20:100,20:100] = a[20:100,20:100]#注意：矩阵的大小必须要统一。
cv2.imshow(  'b',b)
cv2.imshow( 'a',a)
# 图片缩放cv2.resize
# 用于调整图像的大小。它有以下几个参数：
# src:要调整大小的输入图像，可以是numpy数组、pil图像或其他类型。
# dsize:输出图像的大小，可以是一个元组，例如(宽，高)，或者使用整数标量来缩放原始图像。如果dsize为none，则根据scalex和scaley
# fx:沿x轴的缩放系数。
# fy:沿y轴的缩放系数。
a = cv2.imread('img.png')
# a_new = cv2.resize(a,(600,200))  # 宽、高
a_new = cv2.resize(a,dsize=none,fx=1.5,fy=0.5)
cv2.imshow( 'a1',a)
cv2.imshow('a_new',a_new)
cv2.waitkey(0)
cv2.destroyallwindows()

运行结果：

3、图片运算

代码：

import cv2
'''---------图像运算---------'''
# 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
a = cv2.imread('img.png')
b = cv2.imread('img_1.png')
c = a+10  #图片
cv2.imshow( 'yuan',a)
cv2.imshow( 'a+10',c)
cv2.waitkey(0)

c = a[50:100,50:100]+b[50:100,50:100]
cv2.imshow(  'a+b',c)
cv2.waitkey(0)

# 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
a = cv2.imread('img.png')
b = cv2.imread('img_1.png')
b = cv2.resize(b,  (100,100))
a = cv2.resize(a, dsize= (100,100))
c = cv2.add(a,b)  #也可以使用使用
cv2.imshow( 'a add b',c)
cv2.waitkey(0)


# 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dst=src1×α+src2×β+γ
a = cv2.imread('img.png')
b = cv2.imread('img_1.png')
b = cv2.resize(b, dsize= (400,400))
a = cv2.resize(a, dsize= (400,400))
#
c =cv2.addweighted(a, 0.5,b,  0.5,  10)  # 10:图像的亮度值（常数），将添加到加权和上
cv2.imshow( 'addweighted',c)
cv2.waitkey(0)
cv2.destroyallwindows()

运行结果：

4、平滑处理（模糊处理）

选取一个像素点，一附近的像素点代替，代替方式是使用滤波器，滤波器是一个卷积核，通过卷积核实现均值，中值等运算。

代码：给加入噪声的图片进行平滑处理消除噪声，我们看下集中处理方式的用法和效果：

'''---------图像平滑处理---------'''
# 图像平滑（smoothing）也称为"模糊处理"（bluring）
# 通过消除图像中的噪声或细节来使图像看起来更为模糊，从而实现平滑效果
# 可以用来压制、弱化、消除图像中的细节、突变和噪声。
# 下面是常用的一些滤波器
#           均值滤波 -> blur函数
#           方框滤波 -> boxfilter函数
#           高斯滤波->gaussianblur函数
#           中值滤波->medianblur函数
# dst=cv2.blur(src,ksize,anchor,bordertype)
#   dst是返回值
#   src是需要处理的图像
#   ksize是滤波核（卷积核）的大小
#   anchor是锚点，默认值是（-1,-1）一般无需更改
#   bordertype是边界样式，一般无需更改
# 一般情况下，使用dst=cv2.blur(src,ksize)即可

import cv2
import numpy as np

# 1个用法
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    h, w = image.shape[:2]  # 获取图片的高和宽
    for i in range(n):  # 生成n个椒盐噪声
        x = np.random.randint(0, h)
        y = np.random.randint(0, w)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0
        else:
            result[x,y] = 255
    return result

# ##
image = cv2.imread('img.png')
cv2.imshow('yuan',image)
cv2.waitkey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitkey(0)

# ## 1、均值滤波  blur
blur_1 = cv2.blur(noise, (3,3))  #卷积核为3，3  效果一般，清晰度一般
cv2.imshow('blur_1',blur_1)
cv2.waitkey(0)
blur_2 = cv2.blur(noise, (63,63))
cv2.imshow('blur_2',blur_2)
cv2.waitkey(0)

#### dst=cv2.boxfilter(src,ddepth,ksize,anchor,normalize,bordertype）式中：
####     dst是返回值，表示进行方框滤波后得到的处理结果。
####     src 是需要处理的图像，即原始图像。
####     ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。（可以理解为数据类型）
####     ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。
####     anchor 是锚点，（指对应哪个区域）
####     normalize 表示在滤波时是否进行归一化。
####         1.当值为true时，归一化，用邻域像素值的和除以面积。 此时方框滤波与 均值滤波 效果相同。
####         2.当值为false时，不归一化，直接使用邻域像素值的和。和>255时使用255

boxfilter_1 = cv2.boxfilter(noise,-1, ksize=(3,3),normalize = true) # 2、方框滤波
cv2.imshow('boxfilter_1',boxfilter_1)
cv2.waitkey(0)
boxfilter_2 = cv2.boxfilter(noise,-1, ksize=(3,3),normalize = false)
cv2.imshow('boxfilter_2',boxfilter_2)
cv2.waitkey(0)

#### cv2.gaussianblur(src, ksize[, sigmax[, sigmay[, dst]]])高斯滤波
#### 参数说明：
#### src:输入图像，通常是一个numpy数组。
#### ksize:滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5, 5)表示一个5x5的滤波器。
#### sigmax和sigmay:分别表示在x轴和y轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于0，这意味着没有高斯模糊。
#### dst:输出图像，通常是一个numpy数组。如果为none，则会创建一个新的数组来存储结果。

gaussianb = cv2.gaussianblur(noise, ksize=(3,3), sigmax=1) #标准差为1，标准正太分布。 3、高斯滤波
cv2.imshow('gaussianblur',gaussianb)
cv2.waitkey(0)

# cv2.medianblur(src, ksize[, dst]])中值滤波
# 参数说明：
# src:输入图像。
# ksize:滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5表示一个5x5的滤波器。
# dst:输出图像，通常是一个numpy数组。如果为none，则会创建一个新的数组来存储结果。

medianb = cv2.medianblur(noise, ksize=3)  # 4、中值滤波
cv2.imshow('medianblur',medianb)
cv2.waitkey(0)

cv2.destroyallwindows()

运行结果：