你懂的在线视频,99热这里只有精品首页,色婷婷视频在线播放,欧美性精品性爱第一页,韩国欧美一区,欧美黄色性视频,国产精品卡一卡二在线,五月天操屄视频

點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

本期文章中，讓我們一起來學(xué)習(xí)以下內(nèi)容。

通過PIL和OpenCV來使用一些常見的圖像處理技術(shù)，例如將RGB圖像轉(zhuǎn)換為灰度圖像、旋轉(zhuǎn)圖像、對圖像進(jìn)行消噪、檢測圖像中的邊緣以及裁剪圖像中的感興趣區(qū)域。

使用OpenCV中的模板匹配搜索圖像中的對象。

所需安裝的庫：PIL、OpenCV、imutils

為什么我們需要學(xué)習(xí)圖像處理技術(shù)？

深度學(xué)習(xí)對于圖像的分析、識別以及語義理解具有重要意義。“圖像分類”、“對象檢測”、“實(shí)例分割”等是深度學(xué)習(xí)在圖像中的常見應(yīng)用。為了能夠建立更好的訓(xùn)練數(shù)據(jù)集，我們必須先深入了解基本的圖像處理技術(shù)，例如圖像增強(qiáng)，包括裁剪圖像、圖像去噪或旋轉(zhuǎn)圖像等。其次基本的圖像處理技術(shù)同樣有助于光學(xué)字符識別（OCR）。

圖像處理技術(shù)通過識別關(guān)鍵特征或讀取圖像中的文本信息，來提高圖像的可解釋性，以便對圖像中存在的對象進(jìn)行分類或檢測。

圖片來源于Unsplash

此處提供代碼和圖像

導(dǎo)入所需的庫

import cv2from PIL import Image

首先我們使用OpenCV和PIL顯示圖像

使用OpenCV讀取和顯示圖像

image = cv2.imread(r'love.jpg')cv2.imshow("Image", image)cv2.waitKey(0)

如果圖像太大，圖像的窗口將不匹配屏幕顯示比例。

那么如何在屏幕上顯示完整的圖像？

默認(rèn)情況下，顯示超大圖像時(shí)圖像都會(huì)被裁剪，不能被完整顯示出來。為了能夠查

看完整圖像，我們將使用OpenCV中的namedWindow(name, flag)來創(chuàng)建一個(gè)新的顯示圖像窗口。

第一個(gè)參數(shù)name是窗口的標(biāo)題，將被用作標(biāo)識符。?當(dāng)您將flag設(shè)置為cv2.WINDOW_NORMAL時(shí)，將顯示完整圖像，并可以調(diào)整窗口大小。當(dāng)然flag參數(shù)還有選擇。

image = cv2.imread(r'love.jpg')cv2.namedWindow('Normal Window', cv2.WINDOW_NORMAL)cv2.imshow('Normal Window', image)cv2.waitKey(0)

調(diào)整圖像的尺寸

當(dāng)我們調(diào)整圖像大小時(shí)，我們可以更改圖像的高度或?qū)挾龋蛟诒３謱捀弑炔蛔兊那闆r下同時(shí)變化高度和寬度。圖片的寬高比是圖片的寬度與高度的比。

image= cv2.imread(r'taj.jpg')scale_percent =200 # percent of original sizewidth = int(image.shape[1] * scale_percent / 100)height = int(image.shape[0] * scale_percent / 100)dim = (width, height)resized = cv2.resize(image, dim, interpolation = cv2.INTER_AREA)cv2.imshow("Resize", resized)cv2.waitKey(0)

使用PIL讀取和顯示圖像

我們將使用open()加載圖像，然后使用show()進(jìn)行顯示。

使用image.show()創(chuàng)建一個(gè)臨時(shí)文件

pil_image= Image.open(r'love.jpg')pil_image.show("PIL Image")

如果我們對圖像中目標(biāo)的邊緣或其他特征感興趣，要如何對他們進(jìn)行識別呢？

灰度圖像常常用于識別目標(biāo)物體的邊緣，因?yàn)榛叶葓D像不僅助于理解圖像中對比度、陰影漸變，而且有助于理解圖像特征。

與灰度圖像的2D通道相比，RGB圖像具有三個(gè)通道：紅色，綠色和藍(lán)色。與彩色圖像相比，灰度圖像每個(gè)像素的信息更少，因此灰度圖像的處理時(shí)間將更快。

使用OpenCV對彩色圖像進(jìn)行灰度縮放

以下是使用cvtColor()將彩色圖像轉(zhuǎn)換為灰度圖像的方法及轉(zhuǎn)換結(jié)果。

image = cv2.imread(r'love.jpg')gray_image= cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)cv2.namedWindow('Gray Image', cv2.WINDOW_NORMAL)cv2.imshow('Gray Image', gray_image)cv2.waitKey(0)

完成轉(zhuǎn)換的灰度圖

使用PIL對彩色圖像進(jìn)行灰度縮放

convert()提供了此圖像轉(zhuǎn)換的另一種方式，?“ L”模式用于轉(zhuǎn)換為灰度圖像，“ RGB”模式用于轉(zhuǎn)換為彩色圖像。

pil_image= Image.open(r'love.jpg')gray_pil=pil_image.convert('L')gray_pil.show()

使用OpenCV進(jìn)行邊緣檢測

我們將使用Canny算子對圖像中的邊緣進(jìn)行檢測。Canny邊緣檢測是通過灰度圖像，使用高階算法完成的。

Canny():第一個(gè)參數(shù)是輸入圖像，第二個(gè)和第三個(gè)參數(shù)是閾值1和閾值2的值。

強(qiáng)度梯度大于threshold2的邊緣被視為邊緣，低于threshold1的邊緣被視為非邊緣。非邊緣將被刪除。兩個(gè)閾值之間的任何梯度強(qiáng)度值都根據(jù)它們的連通性被分類為邊緣或非邊緣。

image= cv2.imread(r'taj.jpg')cv2.namedWindow("Edge", cv2.WINDOW_NORMAL)denoised_image = cv2.Canny(image, 100,200 )cv2.imshow("Edge", denoised_image)cv2.waitKey(0)

Canny邊緣處理

如果圖像發(fā)生一定的傾斜或旋轉(zhuǎn)，應(yīng)該怎樣進(jìn)行調(diào)整？

OCR對傾斜文本的提取效果不佳，因此我們需要對原圖像進(jìn)行校正。可以使用OpenCV和PIL中的rotate()對圖像進(jìn)行角度校正。

使用OpenCV旋轉(zhuǎn)圖像

rotate()會(huì)依據(jù)函數(shù)中的第二個(gè)參數(shù)rotationCode的值來旋轉(zhuǎn)圖像。

旋轉(zhuǎn)參數(shù)值有以下幾種：

cv2.ROTATE_90_CLOCKWISE

cv2. ROTATE_90_COUNTERCLOCKWISE

cv2.ROTATE_180

image = cv2.imread(r'love.jpg')cv2.namedWindow("Rotated Image", cv2.WINDOW_NORMAL)rotated_img= cv2.rotate(image,cv2.ROTATE_90_CLOCKWISE )cv2.imshow("Rotated Image", rotated_img)cv2.waitKey(0)

使用OpenCV將圖像順時(shí)針旋轉(zhuǎn)90度

如果我們想將圖像旋轉(zhuǎn)特定角度怎么辦？

根據(jù)特定角度旋轉(zhuǎn)圖像

在下面的代碼中，圖像以60度為增量旋轉(zhuǎn)

使用?imutils中的rotate()

import imutilsimport numpy as npimage = cv2.imread(r'love.jpg')# loop over the rotation anglesfor angle in np.arange(0, 360, 60):    cv2.namedWindow("Rotated", cv2.WINDOW_NORMAL)    rotated = imutils.rotate(image, angle)    cv2.imshow("Rotated", rotated)    cv2.waitKey(0)

使用imutils以60度為增量旋轉(zhuǎn)圖像

使用PIL旋轉(zhuǎn)圖像

此處使用PIL將圖像旋轉(zhuǎn)110度

pil_image= Image.open(r'love.jpg')rotate_img_pil=pil_image.rotate(110)rotate_img_pil.show()

使用PIL將圖像旋轉(zhuǎn)110度

當(dāng)圖像因噪聲而變差并影響圖像分析時(shí)，我們應(yīng)該如何提高圖像質(zhì)量？

使用OpenCV對圖像進(jìn)行除噪

噪聲并不是我們想得到的信號，就圖像而言，它會(huì)使圖像受到干擾而失真。

使用OpenCV最小化圖像中出現(xiàn)的噪聲，首先輸入含有噪聲的圖像

image= cv2.imread(r'taj.jpg')cv2.namedWindow("Noised Image", cv2.WINDOW_NORMAL)cv2.imshow("Noised Image", image)cv2.waitKey(0)

OpenCV有多種方法可以消除圖像中的噪點(diǎn)。我們將使用cv.fastNlMeansDenoisingColored()，來消除彩色圖像中的噪點(diǎn)。

fastNIMeansDenoising函數(shù)的常見參數(shù)：

src:?源圖像

dst:?輸出與src具有相同大小和類型的圖像

h:?調(diào)節(jié)過濾器強(qiáng)度。?較高的h值可以完全消除噪點(diǎn)和圖像細(xì)節(jié)，較小的h值可以保留圖像細(xì)節(jié)以及一些噪點(diǎn)。

hForColorComponents:?與h相同，但僅用于彩色圖像，通常與h相同

templateWindowSize:?默認(rèn)0（推薦7）

searchWindowSize:?默認(rèn)0（推薦21）

image= cv2.imread(r'taj.jpg')cv2.namedWindow("Denoised Image", cv2.WINDOW_NORMAL)denoised_image = cv2.fastNlMeansDenoisingColored(image,None, h=5)cv2.imshow("Denoised Image", denoised_image)cv2.waitKey(0)

如何從圖像中提取某些感興趣的區(qū)域？

裁剪圖像

裁剪圖像可讓我們提取圖像中的興趣區(qū)域。

我們將裁剪泰姬陵的圖像，從圖像中刪除其他細(xì)節(jié)，使圖像僅保留泰姬陵。

使用OpenCV裁剪圖像

在OpenCV中裁剪是通過將圖像數(shù)組切成薄片來進(jìn)行的，我們先傳遞y坐標(biāo)的起點(diǎn)和終點(diǎn)，然后傳遞x坐標(biāo)的起點(diǎn)和終點(diǎn)。

image[y_start:y_end, x_start:x_end]

image= cv2.imread(r'taj.jpg')resized_img= image[15:170, 20:200]cv2.imshow("Resize", resized_img)cv2.waitKey(0)

使用PIL裁剪圖像

PIL的crop()允許我們裁剪圖像的矩形區(qū)域。crop()的參數(shù)是矩形左上角和右下角的像素坐標(biāo)。

pil_image = Image.open(r'taj.jpg')
# Get the Size of the image in pixels width, height = pil_image.size
# Setting the cropped image co-ordinatesleft = 3top = height /25right = 200bottom = 3 * height / 4
# Crop the  image based on the above dimension cropped_image = pil_image.crop((left, top, right, bottom))
# Shows the image in image viewer cropped_image.show()

模板匹配

我們可以提供模板和OpenCV中的matchTemplate()在圖像中搜索該模板并提取其位置。

這個(gè)模板會(huì)像卷積神經(jīng)網(wǎng)絡(luò)一樣在整個(gè)圖像上滑動(dòng)，并嘗試將模板與輸入圖像進(jìn)行匹配。

minMaxLoc()用于獲取最大值/最小值，它是通過矩形的左上角開始沿著寬度和高度獲取值。

模板匹配有6種方法：

cv2.TM_SQDIFF

cv2.TM_SQDI

cv2.TM_C

cv2.TM_CCORR_NORMED

cv2.TM_CCOEFF

cv2.TM_CCOEFF_NORMED

在下面的示例中，我們將從主圖中裁剪一小部分創(chuàng)建模板。

用于模板匹配的方法是TM_CCOEFF_NORMED。匹配的閾值設(shè)置為0.95。當(dāng)匹配概率大于0.95時(shí)，該函數(shù)將會(huì)在與該匹配相對應(yīng)的區(qū)域周圍繪制一個(gè)矩形。

import cv2import numpy as npfrom matplotlib import pyplot as pltimg = cv2.imread(r'love.jpg',0)cv2.imshow("main",img)cv2.waitKey(0)template = cv2.imread(r'template1.png',0)cv2.imshow("Template",template)cv2.waitKey(0)w, h = template.shape[::-1]methods = [ 'cv2.TM_CCOEFF_NORMED']for meth in methods:        method = eval(meth)# Apply template Matching    res = cv2.matchTemplate(img,template,method)    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)    threshold=0.95    loc=np.where(res>threshold)    if len(loc[0])>0:# If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimum        if method in [ cv2.TM_SQDIFF_NORMED]:            top_left = min_loc        bottom_right = (top_left[0] + w, top_left[1] + h)cv2.rectangle(img,top_left, bottom_right,100,20)plt.subplot(121),plt.imshow(res,cmap = 'gray')        plt.title('Matching Result'), plt.xticks([]), plt.yticks([])        plt.subplot(122),plt.imshow(img,cmap = 'gray')        plt.title('Detected Point'), plt.xticks([]), plt.yticks([])        plt.suptitle(meth)plt.show()    else:        print("Template not matched")

結(jié)論

我們所討論的最常見圖像處理技術(shù)可用于分析圖像，例如圖像分類，目標(biāo)檢測以及OCR。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會(huì)逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會(huì)請出群，謝謝理解~

常見的圖像處理技術(shù)

交流群