OpenCV Python Tutorial For Beginners 3 - How to Read, Write, Show Images in OpenCV
 |
來源：磐创AI
圖像預處理，對於整個圖像處理任務來講，特別重要。如果我們沒有進行恰當的預處理，無論我們有多麼好的數據，也很難得到理想的結果。
本篇是視覺入門系列教程的第二篇。整個視覺入門系列內容如下：
理解顏色模型與在圖像上繪製圖形（圖像處理基本操作）。
基本的圖像處理與濾波技術。
從特徵檢測到人臉檢測。
圖像分割與分水嶺（Watershed）算法（TBU）
在邊緣和輪廓檢測中，噪聲對檢測的精度有很大的影響。因此，去除噪聲和控制像素值的大小，可以幫助模型聚焦於整體特徵，獲得更高的精度。對應的圖像處理技術包括：模糊化（Blurring）、閾值化（thresholding）和形態轉換（morphological transformation）。
本篇我們將詳細介紹，這幾個常見的圖像預處理技術。（本文假設讀者已經熟悉卷積的概念。）
本篇我們將詳細介紹，這幾個常見的圖像預處理技術。（本文假設讀者已經熟悉卷積的概念。）
模糊化（Blurring）
模糊化的目標是實現降噪。我們必須格外注意的是：如果我們把邊緣檢測算法，應用到高解析度的圖像上，我們就會得到很多我們不感興趣的檢測結果；
相反，如果我們把圖像模糊太多，我們就會丟失數據。因此，我們需要找到一個適當的模糊量，從而不失去理想的邊緣。
有多種技術用於實現模糊效果，在這裡我們討論OpenCV中常用的四種技術：平均模糊（Averaging blurring）、高斯模糊（Gaussian blurring）、中值模糊（median blurring）和雙邊濾波（bilateral filtering）。
這四種技術應用一個共同的基本原理，即使用濾波器（內核）對圖像進行卷積運算。不同的是，在四種模糊方法中，使用的濾波器的值是不同的。
平均模糊（Average blurring）是取給定內核（kernel）區域下所有像素值的平均值替換中心的值。例如，假設給定一個大小為5X5的內核（kernel），我們計算卷積結果的平均值，並將結果放在給定區域的中心。示例如下：
如果我們增加內核的大小，像素值將更加歸一化。因此圖像也會變得越來越模糊。讓我們用下面的代碼對比處理結果。（為了便於比較，將把原始圖像加到結果中，進行對比顯示。）
＃ Import the image and convert to RGB
img ＝ cv2．imread（＇text．jpg＇）
img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）
＃ Plot the image with different kernel sizes
kernels ＝ ［5， 11， 17］
fig， axs ＝ plt．subplots（nrows ＝ 1， ncols ＝ 3， figsize ＝ （20， 20））
for ind， s in enumerate（kernels）：
img＿blurred ＝ cv2．blur（img， ksize ＝ （s， s））
ax ＝ axs［ind］
ax．imshow（img＿blurred）
ax．axis（＇off＇）
plt．show（）
中值模糊（Medium blurring）和平均模糊（Average blurring）是一樣的，只是它使用的是中值，而不是平均值。正由於這個特性，當我們需要處理圖像中，突然出現的噪音時（如「椒鹽噪音」），使用中值模糊（medium blurring）的效果要比平均模糊（average blurring）效果好。
高斯模糊（Gaussian blurring）是使用「值」具有高斯分佈的核函數。由於這些值是由高斯函數生成的，因此它的參數需要一個Sigma值。如上圖，內核的值在靠近中心的地方變高，在靠近角的地方變小。將該方法應用於具有正態分布的噪聲，如白噪聲，效果較好。
雙邊濾波（Bilateral Filtering）是高斯模糊的一個高級版本。模糊化不僅可以溶解噪聲，而且還會平滑邊緣。而雙邊濾波器，能在去除噪聲的同時，保持邊緣銳化。這是由於它不僅使用高斯分佈值，還同時考慮了距離和像素值的差異。因此，需要指定Sigma Space和Sigma Color這兩個參數。
＃ Blur the image
img＿0 ＝ cv2．blur（img， ksize ＝ （7， 7））
img＿1 ＝ cv2．GaussianBlur（img， ksize ＝ （7， 7）， sigmaX ＝ 0）
img＿2 ＝ cv2．medianBlur（img， 7）
img＿3 ＝ cv2．bilateralFilter（img， 7， sigmaSpace ＝ 75， sigmaColor ＝75）
＃ Plot the images
images ＝ ［img＿0， img＿1， img＿2， img＿3］
fig， axs ＝ plt．subplots（nrows ＝ 1， ncols ＝ 4， figsize ＝ （20， 20））
for ind， p in enumerate（images）：
ax ＝ axs［ind］
ax．imshow（p）
ax．axis（＇off＇）
plt．show（）
閾值化（Thres holding）
圖像的閾值化，就是利用圖像像素點分布規律，設定閾值進行像素點分割，進而得到圖像的二值圖像。我們需要設置閾值和最大值，然後據此相應地進行像素值轉換。
常用的閾值化包含有五種不同的類型：二進制閾值化、反二進制閾值化、閾值化到零、反閾值化到零，和閾值截斷。
img ＝ cv2．imread（＇gradation．png＇）
＃ Thresholding
＿， thresh＿0 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿BINARY）
＿， thresh＿1 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿BINARY＿INV）
＿， thresh＿2 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TOZERO）
＿， thresh＿3 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TOZERO＿INV）
＿， thresh＿4 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TRUNC）
＃ Plot the images
images ＝ ［img， thresh＿0， thresh＿1， thresh＿2， thresh＿3， thresh＿4］
fig， axs ＝ plt．subplots（nrows ＝ 2， ncols ＝ 3， figsize ＝ （13， 13））
for ind， p in enumerate（images）：
ax ＝ axs［ind／／3， ind％3］
ax．imshow（p）
plt．show（）
如上圖所示，每種類型的閾值，都可以用數學公式表示，I（x， y）是像素點的強度（也稱為點（x， y）的像素值）。上圖中的圖像示例，可以更直接的理解，不同閾值化類型之間的區別。
只取一個閾值，並將其應用於圖像的所有部分，並不能滿足我們的全部需求。如果我們有一張在多個不同區域，亮度差異較多的圖片這種情況，將一個值應用於整個圖像，一般不利於我們的圖像處理任務。
其對應更好的方法，是對圖像的每個部分使用不同的閾值。對應這種情況，有另外一種閾值化技術，稱為自適應閾值化（Adaptive threshilding）。透過對圖像鄰域內閾值的計算，可以得到不同光照條件下的較好結果。
＃ Convert the image to grayscale
img ＝ cv2．imread（＇text．jpg＇）
img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）
＃ Adaptive Thresholding
＿， thresh＿binary ＝ cv2．threshold（img， thresh ＝ 127， maxval ＝ 255， type ＝ cv2．THRESH＿BINARY）
adap＿mean＿2 ＝ cv2．adaptiveThreshold（img， 255，
cv2．ADAPTIVE＿THRESH＿MEAN＿C，
cv2．THRESH＿BINARY， 7， 2）
adap＿mean＿2＿inv ＝ cv2．adaptiveThreshold（img， 255，
cv2．ADAPTIVE＿THRESH＿MEAN＿C，
cv2．THRESH＿BINARY＿INV， 7， 2）
adap＿mean＿8 ＝ cv2．adaptiveThreshold（img， 255，
cv2．ADAPTIVE＿THRESH＿MEAN＿C，
cv2．THRESH＿BINARY， 7， 8）
adap＿gaussian＿8 ＝ cv2．adaptiveThreshold（img， 255，
cv2．ADAPTIVE＿THRESH＿GAUSSIAN＿C，
cv2．THRESH＿BINARY， 7， 8）
我們需要將顏色模式，轉換為灰度來進行自適應閾值化。自適應閾值的參數有maxValue（在上面的示例中設置為255）、adaptive Method、thres hold Type、blocksize 和 C。這裡使用的自適應方法有兩種：adaptive thres hold meanc 和adaptive thres hold gaussianc。讓我們透過下方代碼，對比自適應閾值化的不同結果。
＃ Plot the images
images ＝ ［img， thresh＿binary， adap＿mean＿2， adap＿mean＿2＿inv，
adap＿mean＿8， adap＿gaussian＿8］
fig， axs ＝ plt．subplots（nrows ＝ 2， ncols ＝ 3， figsize ＝ （15， 15））
for ind， p in enumerate（images）：
ax ＝ axs［ind％2， ind／／2］
ax．imshow（p， cmap ＝ ＇gray＇）
ax．axis（＇off＇）
plt．show（）
如上圖所示，左邊為原始圖像，與二進制閾值化結果圖。對比二進制閾值化結果圖，與右上方兩張結果圖（由adaptive thres hold meanc方法生成）可得，後者生成了更為詳細的結果。我們還可以看出，當C值更大時，圖像將變得更顯式。
C代表從均值或加權均值中，減去值的大小。透過觀察上圖右子圖上下兩幅圖像，我們還可以對比查看相同C值下adaptive thres hold meanc 和 adaptive thres hold ＿gaussianc兩種方法生成的不同效果圖。
 |
沒有留言:
張貼留言