精华内容
下载资源
问答
  • 如何处理图像
    千次阅读
    2021-05-13 18:18:26

    处理1张图片,获取4幅不同伽马校正图像

    实验结果
    在这里插入图片描述
    实验代码

    get_4_pictures_gamma_correction.m

    %----批量处理伽马校正---
    clc;clear;
    name = 'airplane.png';
    prefix = name(1:end-4); % 去掉name后面的.png
    I = imread(name);
    % figure,imshow(I);
    gammaCorrection(name,1,0.75); %自定义函数
    
    gamma_list = [0.75, 0.9, 1.1, 1.25];
    for i = 1:length(gamma_list)
        gamma = gamma_list(i);
        s = gammaCorrection(name,1,gamma);
        str0='D:\user\user\毕业设计\code_for_hashing\matlab_code\test\';
        str1= [prefix,'_','gamma=',num2str(gamma)];%字符串拼接
        str2 = '.png';
        save_path=[str0,str1,str2]; % 字符串拼接
        imwrite(s,save_path);
    end 
    
    

    gammaCorrection.m

    function [s]=gammaCorrection(name, a, gamma)
     r = imread (name);
     r=im2double(r);                
     s = a * (r .^ gamma);
    %  imwrite(s,'airplane_gamma=0.75.jpg','jpg');
     subplot (1 ,2 ,1), imshow(r), title('Original');
     subplot (1 ,2 ,2), imshow(s), title(sprintf('Gamma: %0.2f',gamma));
    end
    

    批量读取图片模板

    来源于参考1

    file_path = 'D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\';% 图像文件夹路径  
    img_path_list = dir(strcat(file_path,'*.png'));%获取该文件夹中所有png格式的图像  
    img_num = length(img_path_list)%获取图像总数量 
    I=cell(1,img_num);
    if img_num > 0 %有满足条件的图像  
        for j = 1:img_num %逐一读取图像  
            image_name = img_path_list(j).name;% 图像名  
            image = imread(strcat(file_path,image_name));
            I{j}=image;
            fprintf('%d %d %s\n',i,j,strcat(file_path,image_name));% 显示正在处理的图像名  
            %图像处理过程 省略  
            %这里直接可以访问细胞元数据的方式访问数据
    
        end
    end 
    
    

    批量处理多张图片,分别获取4幅伽马校正图像

    实验结果

    >> load_and_read_image_sequences
    
    img_num =
    
         5
    
    4 1 D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\airplane.png
    4 2 D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\baboon.png
    4 3 D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\boat.png
    4 4 D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\house.png
    4 5 D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\peppers.png
    

    在这里插入图片描述

    实验代码

    load_and_read_image_sequences.m

    file_path = 'D:\user\user\毕业设计\code_for_hashing\pictures_5_csv\';% 图像文件夹路径  
    img_path_list = dir(strcat(file_path,'*.png'));%获取该文件夹中所有png格式的图像  
    img_num = length(img_path_list)%获取图像总数量 
    I=cell(1,img_num);
    if img_num > 0 %有满足条件的图像  
        for j = 1:img_num %逐一读取图像  
            image_name = img_path_list(j).name;% 图像名  
            image = imread(strcat(file_path,image_name));
            I{j}=image;
            fprintf('%d %d %s\n',i,j,strcat(file_path,image_name));% 显示正在处理的图像名  
            %图像处理过程
            get_image_sequences_of_gamma_correction(file_path,image_name);
             %这里直接可以访问细胞元数据的方式访问数据
    
        end
    end 
    
    

    get_image_sequences_of_gamma_correction.m

    %----批量处理伽马校正---
    function get_image_sequences_of_gamma_correction(path,name)
    
    prefix = name(1:end-4); % 去掉name后面的.png
    % I = imread(name);
    % figure,imshow(I);
    gamma_list = [0.75, 0.9, 1.1, 1.25];
    for i = 1:length(gamma_list)
        gamma = gamma_list(i);
        file_name = [path,name];
        s = gammaCorrection(file_name,1,gamma);
        str0='D:\user\user\毕业设计\code_for_hashing\matlab_code\test\';
        str1= [prefix,'_','gamma=',num2str(gamma)];%字符串拼接
        str2 = '.png';
        save_path=[str0,str1,str2]; % 字符串拼接
        imwrite(s,save_path);
    end 
    
    end
    
    

    参考

    [1]MATLAB批量读取一个文件夹下的图片
    [2]how to load and read image sequences in order in matlab
    [3]Gamma correction 伽马校准及 matlab 实现
    [4]matlab imwrite写入指定文件夹

    更多相关内容
  • 图像处理学习者和研究者使用的图像素材,标准库
  • 图像处理21张经典图片 各种格式
  • 图片初步处理,包括图片的读入,灰度图像转换,图片剪裁。
  • 图像处理专用图片

    2018-05-26 10:19:46
    图像处理行业常用的图片,png格式,包括lena、barbara、cameraman等
  • 教程:Python数据分析与展示_北京理工大学 目录图像的数组表示图像的变换“图像的手绘效果”实例分析 图像的数组表示 图像一般使用RGB色彩模式,即每个像素点的颜色由红( R)、绿(G)、蓝(B)...Python中提供了一个处理

    教程:Python数据分析与展示_北京理工大学

    图像的数组表示

    • 图像一般使用RGB色彩模式,即每个像素点的颜色由红( R)、绿(G)、蓝(B)组成。这三种颜色形成三种颜色通道,RGB三个颜色通道的变化和叠加得到各种颜色,其中R为红色,取值范围为0-255;G为绿色,取值范围为0-255;B为蓝色,取值范围为0-255。
    • RGB形成的颜色包括了人类视力所能感知的所有颜色,因此在计算机的使用中,一般的图像都采用RGB色彩。
      Python中提供了一个处理图像的库:PIL库(PIL,Python Image Library),PIL库是一个具有强大图像处理能力的第三方库,需要安装,可以使用命令行的方式进行安装:pip install pillow
    • PIL库中的Image类是PIL库中代表一个图像的类(对象),一个Image对象就代表一个图像
    • 图像的表示
      图像是一个由像素组成的二维矩阵,每个元素是一个RGB值。在这里插入图片描述
      可以使用NumPy的数组表示图像。通过PIL库中的Image表示一个图像,并用数组表示图像中的每一个元素。
      实例:
    from PIL import Image  # 导入PIL库的Image类
    import numpy as np  # 导入NumPy库
    
    im = np.array(Image.open("D:/Gao/图片/0008.jpg"))  # 用数组表示图像中的每一个元素
    print(im.shape, im.dtype)
    
    
    结果:
    (232, 232, 3) uint8
    

    图像是一个三维数组,维度分别是高度、宽度和像素RGB值。
    附图片:
    请添加图片描述

    图像的变换

    • 流程
      读入图像后,获得像素RGB值,修改后保存为新的文件。
      如:

    • 色彩取反

      from PIL import Image  # 导入PIL库的Image类
      import numpy as np  # 导入NumPy库
      
      change = np.array(Image.open("0010_gugong.png"))  # 用数组表示图像中的每一个元素
      print(change.shape, change.dtype)
      
      buzhi = [255, 255, 255] - change  # 将图片中的每一个元素取补值
      print(buzhi.shape, buzhi.dtype)
      
      pic = Image.fromarray(buzhi.astype('uint8'))  # 将数组bu重新生成为图像对象
      pic.save("0010_gugong_fan.png")  # 将新的图像保存
      

      原图:
      请添加图片描述
      效果图:
      请添加图片描述

    • 图片变灰

      from PIL import Image  # 导入PIL库的Image类
      import numpy as np  # 导入NumPy库
      
      change2 = np.array(Image.open("0010_gugong.png").convert('L'))  # 用数组表示图像中的每一个元素对应得灰度值
      # convert('L')是将彩色图片变为灰色图片,再生成的数组change2就变成了二维数组,其中的每一个元素对应一个灰度值
      print(change2.shape, change2.dtype)
      
      qufan = 255 - change2  # 将图片中的灰度值取反
      print(qufan.shape, qufan.dtype)
      
      pic = Image.fromarray(qufan.astype('uint8'))  # 将数组bu重新生成为图像对象
      pic.save("0010_gugong_gray.png")  # 将新的图像保存
      

      效果图:
      请添加图片描述

    • 图片变灰效果淡

      from PIL import Image  # 导入PIL库的Image类
      import numpy as np  # 导入NumPy库
      
      change3 = np.array(Image.open("0010_gugong.png").convert('L'))  # 用数组表示图像中的每一个元素对应得灰度值
      # convert('L')是将彩色图片变为灰色图片,再生成的数组change2就变成了二维数组,其中的每一个元素对应一个灰度值
      print(change3.shape, change3.dtype)
      
      qujian = (100 / 255) * change3 + 150  # 区间变换
      print(qujian.shape, qujian.dtype)
      
      pic = Image.fromarray(qujian.astype('uint8'))  # 将数组bu重新生成为图像对象
      pic.save("0010_gugong_gray_dan.png")  # 将新的图像保存
      

      效果图:
      请添加图片描述

    • 图片变灰效果深

      from PIL import Image  # 导入PIL库的Image类
      import numpy as np  # 导入NumPy库
      
      change4 = np.array(Image.open("0010_gugong.png").convert('L'))  # 用数组表示图像中的每一个元素对应得灰度值
      # convert('L')是将彩色图片变为灰色图片,再生成的数组change2就变成了二维数组,其中的每一个元素对应一个灰度值
      print(change4.shape, change4.dtype)
      
      pingfang = 255 * (change4 / 255) ** 2  # 像素平方
      print(pingfang.shape, pingfang.dtype)
      
      pic = Image.fromarray(pingfang.astype('uint8'))  # 将数组bu重新生成为图像对象
      pic.save("0010_gugong_gray_shen.png")  # 将新的图像保存
      

      效果图:
      请添加图片描述

    “图像的手绘效果”实例分析

    • 实例介绍
      在这里插入图片描述
    • 手绘效果的几个特征:
      • 黑白灰色
      • 边界线条较重
      • 相同或相近色彩趋于白色
      • 略有光源效果
    • 手绘风格实现:
      手绘风格是在对图像灰度化的基础上由立体效果和明暗效果叠加而成的,灰度实际上就代表了图像的敏感变化,而梯度值表示的是灰度的变化率,可以通过调整像素的梯度值来间接改变图片的明暗程度,立体效果则通过虚拟深度值来实现。简单来说就是利用像素之间的梯度值和虚拟深度值对图像进行重构,根据灰度变化来模拟人类视觉的明暗程度
    • 实例
    from PIL import Image  # 导入PIL库的Image类
    import numpy as np  # 导入NumPy库
    
    change5 = np.asarray(Image.open('0010_gugong.png').convert('L')).astype('float')
    
    depth = 10.  # 预设深度值10,取值范围为0-100
    grad = np.gradient(change5)  # 提取图像x和y方向的梯度值
    grad_x, grad_y = grad  # 提取出的梯度值是包含x方向和y方向的数值对,分别赋给grad_x和grad_y
    grad_x = grad_x * depth / 100.  # 根据深度调整x方向的梯度值,即添加深度对梯度的影响因素
    grad_y = grad_y * depth / 100.  # 根据深度调整y方向的梯度值,即添加深度对梯度的影响因素
    A = np.sqrt(grad_x **2 + grad_y **2 + 1.)  # 构造x和y轴梯度的三维归一化单位坐标系
    uni_x = grad_x / A  # 图像平面的单位法向量
    uni_y = grad_y / A  # 图像平面的单位法向量
    uni_z = 1. / A  # 图像平面的单位法向量
    
    vec_el = np.pi / 2.2  # 光源的俯视角度,弧度值
    vec_az = np.pi / 4.  # 光源的方位角度,弧度值
    dx = np.cos(vec_el) * np.cos(vec_az)  # 光源对x轴的影响程度,np.cos(vec_el)为单位光线在地平面上的投影长度
    dy = np.cos(vec_el) * np.sin(vec_az)  # 光源对y轴的影响程度
    dz = np.sin(vec_el)  # 光源对z轴的影响程度
    
    b = 255 * (dx * uni_x + dy * uni_y + dz * uni_z)  # 光源归一化,梯度与光源相互作用,将梯度转化为灰度
    b = b.clip(0,255)  # 为避免数据越界,将生成的灰度值裁剪至0- 255区间
    
    im = Image.fromarray(b.astype('uint8'))  # 重构图像
    im.save('0010_gugong_shouhui.png')  # 生成图像
    

    效果图:
    请添加图片描述

    展开全文
  • OpenCV C++图像处理常用图片,包括lenna,finger,boats,man,tiffany,yacht,sailboat,pepper,pens,girl,fruits,flowers,bridge等等
  • 使用Pillow库处理图像文件

    千次阅读 2022-03-15 20:19:40
    本案例使用图像处理库Pillow中的模块、对象来处理图像:实现读取图像、获取图像信息、调整图像大小、旋转图像、平滑图像、剪切图像等基本图像处理任务。 实验环境 Pycharm、Anaconda 案例研究 3.1 安装Pillow ...

    • 案例目的

    本案例通过使用Python图像处理库Pillow,帮助读者进一步了解Python的基本概念:模块、对象、方法和函数的使用。使用Python语言解决实际问题时,往往需要使用由第三方开发的开源Python软件库。

    • 案例内容

    本案例使用图像处理库Pillow中的模块、对象来处理图像:实现读取图像、获取图像信息、调整图像大小、旋转图像、平滑图像、剪切图像等基本图像处理任务。

    • 实验环境

    Pycharm、Anaconda

    • 案例研究

    3.1 安装Pillow

        新建Project:work1,在Pycharm中设置File->Settings->Project->Python Interpreter中添加Pillow库。

    1 添加Pillow

    3.2读取图像与获取图像信息

    主要代码:

    1. 作者:JohnRothan  
    2. 时间:2022-3-13  
    3. 题目信息:Pilllow库实现图像处理基本任务  
    4.   
    5. import PIL  
    6. from PIL import Image  
    7.   
    8. im = PIL.Image.open("C:/Users/JohnRothan/Desktop/girl.jpg")  
    9. im.show()   #打开图像  
    10. print(im.format, im.size, im.mode)  #显示图像格式、大小、模式  

    测试结果:

    2 打开图像

    JPEG (4032, 2714) RGB

    3.3 图像基本处理

    主要代码:

    1. import sys  
    2. import os  
    3. import PIL.Image  
    4. import PIL.ImageFilter  
    5. im = PIL.Image.open("C:\\Users\\JohnRothan\\Desktop\\log.png")  
    6. width,height = im.size  
    7. #创建新图像,大小为原始图像的4  
    8. res = PIL.Image.new (im.mode,(2*width,2*height))  
    9. #把原始图像放置在左上角  
    10. res. paste(im,(0,0,width,height))  
    11. #把轮廓过滤CONTOUR的图像放置在右上角  
    12. contour = im.filter(PIL.ImageFilter.CONTOUR)  
    13. res.paste(contour,(width,0,2*width,height))  
    14. #把浮雕过滤EMBOSS的图像放置在左下角  
    15. emboss = im.filter(PIL.ImageFilter.EMBOSS)  
    16. res.paste(emboss,(0,height,width,2*height))  
    17. #把边缘过滤FIND_EDGES的图像放置在右下角  
    18. edges = im.filter(PIL.ImageFilter.FIND_EDGES)  
    19. res.paste(edges,(width,height,2*width,2*height))#显示结果图像  
    20. res.show()  

    测试结果:

    3 图像基本处理

    3.3 调整图像大小

    主要代码:

    1. import PIL.Image  
    2.   
    3. im = PIL.Image.open("C:/Users/JohnRothan/Desktop/girl.jpg")  
    4. img_size_width = int(500)  
    5. img_size_height = int(400)  
    6. im_out = im. resize((img_size_width, img_size_height)) 
    7. im_out.show() 

    测试结果:

    4 图像尺寸变换

    3.4 添加图片水印

    主要代码:

    1. from PIL import Image,ImageDraw,ImageFont  
    2.   
    3. im = Image.open("C:/Users/JohnRothan/Desktop/girl.jpg")  
    4. im_log = Image.open("C:/Users/JohnRothan/Desktop/log.png")  
    5. im_mark = Image.new('RGBA', im.size)  
    6. im_mark.paste(im_log,(0,0))  
    7. im_out = Image.composite(im_mark,im, im_mark)  
    8. im_out.show()  

    测试结果:

    5 添加图片水印(左上角)

     3.5 图片格式批量转换

    主要代码:

    1. import sys  
    2. import glob  
    3. import os  
    4. import PIL.Image  
    5.   
    6. img_path = "C:/Users/JohnRothan/Desktop/img" + "/*." + "png"  
    7. for infile in glob.glob(img_path):  
    8.     f, e = os.path.splitext(infile)  
    9.     outfile = f + "." + "jpg"  
    10.     PIL.Image.open(infile).save(outfile)  

    测试结果:

    将img文件下的.png文件转换为.jpg文件

    展开全文
  • 数字图像处理中常用到图片集,适合数字图像开发人员使用 数字图像处理中常用到图片集,适合数字图像开发人员使用 数字图像处理中常用到图片集,适合数字图像开发人员使用 数字图像处理中常用到图片集,适合数字图像...
  • 图片灰度化处理

    2018-12-23 13:41:31
    可用于图片的灰度化处理,在图片进行与处理的过程中,需要对图片进行灰度化处理,这里给出的就是图像灰度化处理的代码,希望给你的学习带来一定的帮助!
  • matlab图像处理程序,批量将彩色图片转换成灰色图像,用于其他图像处理程序
  • GDI图像处理例程 (包含高斯模糊、图像缩放、图像截取、文字水印、去白边、图片杂色等效果) 去白边效果来自ExDui群雨落无声 图片杂色效果还有待优化
  • Python图像处理

    千次阅读 2022-06-11 23:35:48
    python图像处理

    一、简介

    实现计算机视觉任务的过程中,不可避免地需要对图像进行读写操作以及图像预处理操作,下面介绍两个常用的Python图像处理库:OpenCV和Pillow。

    OpenCV全称是由英特尔公司资助的开源计算机视觉库。

    • 它由一系列C函数和少量C++类所组成,实现图像处理和计算机视觉方面的很多通用算法,例如特征检测与跟踪、运动分析、目标分割与识别以及3D重建等。

    • OpenCV作为基于C/C++语言编写的跨平台开源软件,可以运行在Linux、Windows、Android和MacOS操作系统上,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。

    1.1 图像处理-OpenCV

    OpenCV是模块结构的,有以下主要模块。

    • 【core】–核心功能模块,包含内容有:OpenCV基本数据结构、动态数据结构、绘图函数、数组操作相关函数、辅助功能与系统函数和宏、与OpenGL的互操作。
    • 【imgproc】–图像处理模块,包含内容有:线性和非线性的图像滤波、图像的几何变换、图像转换、直方图相关、结构分析和形状描述、运动分析和对象跟踪、特征检测、目标检测等内容。
    • 【features2D】–2D功能模块,包含以下内容:特征检测和描述、特征检测器、描述符提取器等内容。
    • 【highGUI】–高层GUI图形用户界面,包含:媒体的I/O输入输出、视频捕捉、图像和视频的编码解码、图形交互界面的接口等内容。

    1.2 图像处理- PIL和Pillow

    作为Python2的第三方图像处理库是Pillow的前身。随着Python3的更新,PIL移植到Python3更名为Pillow。与OpenCV一样,Pillow也是模块结构,主要包括以下结构。

    • 【Image】–图像功能模块,包含内容有:读写图像、图像混合、图像放缩、图像裁切、图像旋转。

    • 【ImageFilter】–图像滤波功能模块,包含内容有:各类图像滤波核。

    • 【ImageEnhance】–图像增强功能模块,包含内容有:色彩增强、亮度增强、对比度增强、清晰度增强。

    • 【ImageDraw】–图像绘画功能模块,包含内容有:绘制几何形状、绘制文字。

    二、 常用图像类型

    2.1 二值图像

    二值图像只有黑白两种颜色,如图所示。图像中的每个像素只能是黑或白,没有中间的过渡。因此二值图像的像素值只能为0或1,0表示黑色,1表示白色。
    在这里插入图片描述

    2.2 灰度图像

    • 灰度图像只表达图像的亮度信息没有颜色信息,如(a)图所示。
    • 灰度图像的每个像素点上只包含一个量化的灰度级(即灰度值)。
    • 像素点的亮度水平如(b)图所示,通常使用1字节(8位二进制数)来存储灰度值,因此用正整数表示灰度值的范围是0~255。
      在这里插入图片描述

    2.3 RGB图像

    • RGB(Red、Green、Blue)图像如(a)图,可以看成是由多个RGB像素点组成。
    • 每个彩色像素点分别由R、G、B三种颜色空间组成如(b)图,本质是3维数组。
    • 在RGB颜色空间中,任意色光都可以用R、G、B三色不同分量的相加混合而成。
      在这里插入图片描述

    2.4 常用颜色空间简介

    • 实际应用中常用的颜色空间很多,通常使用3个独立的变量对颜色进行描述,例如RGB、HSV、YUV等。
    • 一个图像的不同的颜色空间是可以转换的,cv2.cvtColor可以实现颜色的转换。
      • cv2.COLOR_BGR2GRAY
      • cv2.COLOR_BGR2RGB
      • cv2.COLOR_BGR2HSV
      • cv2.COLOR_BGR2YUV
      • cv2.COLOR_BGR2HLS

    三、OpenCV图像读写与显示

    • 通过OpenCV库对数字图像进行处理时,涉及到的基础操作包括读取、显示、写出图像文件。
    • 在OpenCV库中,图像数据是以NumPy数组的形式存在。

    3.1 读入图像

    • 在python的OpenCV中,通过cv2.imread()函数读入图像数据,其基本使用格式如下。
    • cv2.imread(filename, flags)
    • 在默认情况下通过cv2.imread()函数读入图像数据为3通道的彩色图,像素值为8位的非负整数,图像数据以NumPy中ndarray的方式存在。
    • 如果定义了cv2.imread()读入模式为cv2.IMREAD_GRAYSCALE那么读入图像为单通道的灰度图。
    • 需要注意的是,通过OpenCV读入彩色图像数据的颜色通道顺序为BGR(蓝、绿、红)并非常用的RGB(红、绿、蓝)顺序。
    • 在OpenCV中,读取到的图像数组维度可以表示为:
      (高,宽,通道数)即(height, width, channel)。OpenCV图像坐标与常规的数学坐标有区别,左上角位置为坐标原点。
      • 在Windows【画图】工具中,帽檐红点坐标为(248, 102),但在OpenCV中像素位置应为(102, 248)。
      • X轴 == 列位置 == 图像宽
      • Y轴 == 行位置 == 图像高
      在这里插入图片描述

    3.2 显示图像

    • 在OpenCV中,通过cv2.imshow()函数显示图像数据,其基本使用格式如下。
    • cv2.imshow(winname, img)
    • 在OpenCV中,通过cv2.waitKey()函数设置图片窗口显示时长,其基本使用格式如下。
    • cv2.waitKey([,delay])
    • waitKey作用是图像显示时等待用户按键触发,如果用户按键触发或时间超过了设置的时间则退出图片展示。
    • cv2.waitKey(0)的作用是令程序一直停留在显示图像的状态。如果没有增加cv2.waitKey(0),那么程序运行完毕后,图像显示窗口会自动关闭,即一闪而逝。

    3.3 写出图像

    • 在OpenCV中,通过cv2.write()函数保存图像数据,其基本使用格式如下。
    • cv2.imwrite(filename, img)
    import cv2
    import matplotlib.pyplot as plt
    import numpy
    
    # 读写图像
    img = cv2.imread(filename='lena.jpg', flags=cv2.IMREAD_GRAYSCALE)
    img.shape
    # (377, 373)
    img.dtype
    # dtype('uint8')
    
    # 图像展示
    cv2.imshow(winname='lena', mat=img)
    cv2.waitKey(0)
    
    # 图像保存
    cv2.imwrite(filename='test_img.jpg', img=img)
    
    

    四、图像几何变换

    4.1 图像平移

    • 图像平移变换将一幅图像中的所有像素点都按照给定的偏移量在水平方向(沿x轴方向)或垂直方向(沿y轴方向)移动,是图像几何变换中较为简单的一种变换。

    • 图像平移原理示意图如下图所示。
      在这里插入图片描述

    • 假设对点P_0 (x_0,y_0 )进行平移后得到点P(x,y),其中x方向的平移量为∆x,y方向的平移量为∆y ,则点P(x,y)的坐标如下式。
      在这里插入图片描述

    • 利用齐次坐标表示图像平移变换前后点P_0 (x_0,y_0 )到点P(x,y)的关系如下式所示。
      在这里插入图片描述
      实现步骤:

    • 1. 定义平移变换矩阵: 例如:np.float32([[1,0,50], [0,1,100]])

      • [1,0,50]表示在x轴方向移动50个单位
      • [0,1,100]表示在y轴方向移动100个单位

    • 2. 执行转换:cv2.warpAffine (src, M, dsize)
      在这里插入图片描述
      通过OpenCV实现图像平移操作,结果如下图所示,(a)为原图和(b)为平移后图像。
      在这里插入图片描述

    import cv2
    import matplotlib.pyplot as plt
    import numpy as np
    
    img = cv2.imread('lena.jpg')
    height, width, channel = img.shape
    # 图像平移
    # 1、定义平移变换矩阵
    M = np.float32([[1,0,50], [0,1,100]])
    # 2、执行平移变换
    img_tran = cv2.warpAffine(src=img, M=M, dsize=(height, width))
    cv2.imshow('image translation', img_tran)
    cv2.waitKey(0)
    

    4.2 图像旋转

    • 图像旋转(Rotation)是指图像以某一点为中心旋转一定的角度形成一幅新的图像的过程。通常是以图像的中心为圆心旋转,将图像中的所有像素点都旋转一个相同的角度。
    • 图像旋转原理如图所示,将点(x_0,y_0)绕原点o顺时针旋转至点(x_1,y_1 ),其中a为旋转角,r为点(x_0,y_0 )到原点的距离, b为原点o到点(x_0,y_0 )的线段与x轴之间的夹角。在旋转过程中, r保持不变。
      在这里插入图片描述
    • 设旋转前,x_0、y_0的坐标分别为x_0=r cos⁡b、y_0=r sin⁡b,当旋转a角度后,坐标x_1、y_1的值分别如下式所示。
      在这里插入图片描述
      上式的矩阵的形式如下式所示。
      在这里插入图片描述
      实现步骤:
    • 1. 计算旋转变换矩阵: cv2.getRotationMatrix2D (center, angle, scale)
      在这里插入图片描述
    • 2. 执行转换:cv2.warpAffine (src, M, dsize)
      在这里插入图片描述
      通过OpenCV实现图像旋转,得到的效果如图所示。
      在这里插入图片描述
    # 图像旋转
    # 1、定义旋转变换矩阵
    M = cv2.getRotationMatrix2D(center=(height*0.5, width*0.5), # 旋转的中心位置坐标
                                angle=45,   # 旋转的角度
                                scale=0.8   # 缩放比例
                                )
    # 2、执行旋转变换
    img_rotation = cv2.warpAffine(img, M, dsize=(height,width))
    cv2.imshow('image_rotation', img_rotation)
    cv2.waitKey(0)
    

    4.3 图像缩放

    • 图像比例缩放是指将给定的图像在x轴方向按比例缩放f_x倍,在y轴方向按比例缩放f_y倍,从而获得一幅新的图像。如果f_x=f_y,即x轴方向和y轴方向缩放的比率相同,此比例缩放为图像的全比例缩放。如果f_x≠f_y,那么图像的比例缩放会改变原始图像的像素间的相对位置,产生几何畸变。
    • 在OpenCV中cv2.resize(src, dsize, fx, fy, interpolation)可以实现图像缩放。
      在这里插入图片描述
    • 具体实现图像缩放有多种插值方法,OpenCV的resize函数提供了如下5种常见方法。
      • 最邻近插值:cv2.INTER_NEAREST
      • 双线性插值:cv2.INTER_LINEAR
      • 区域插值:cv2.INTER_AREA
      • 三次样条插值:cv2.INTER_CUBIC
      • Lanczos插值:cv2.INTER_LANCZOS4
    # 图像缩放
    # 1、直接指定缩放大小
    img_res = cv2.resize(img, dsize=(244,244))
    img_res.shape
    # (244, 244, 3)
    cv2.imshow('image_resize', img_res)
    cv2.waitKey(0)
    
    # 2、最近邻插值
    img_near = cv2.resize(img, dsize=None, fx=1.5, fy=1,
                          interpolation=cv2.INTER_NEAREST)
    cv2.imshow('img_near', img_near)
    cv2.waitKey(0)
    

    在这里插入图片描述

    展开全文
  • 使用torchvision处理图片数据

    千次阅读 2020-10-24 10:50:17
    torchvision是基于Pytorch处理图像视频的工具集,类似地还有处理自然语言的torchtext,处理音频的torchaudio等工具集。 torchvision包含以下几个包: datasets : 下载或加载几个常用视觉数据集,例如MNIST、CIFAR ...
  • matlab图像处理图像

    千次阅读 2022-03-31 16:50:49
    matlab图像处理图像分割,图像识别
  • 俗话说:“好记性不如烂笔头”,多写写多记记,总不会错。多一些不为什么的坚持,少一些功利主义的追求。今天介绍图像处理的经典操作。本内容参考自《实用MATLAB图像和视频处理》第一章。
  • nodejs 处理图像模块

    千次阅读 2019-08-21 10:09:44
    2 Node.js轻量级跨平台图像编解码库images npm 地址https://www.npmjs.com/package/node-images var images = require("images"); images("input.jpg") //Load image from file ...
  • 包括常用的数字图像处理的标准图,包括lena,cameraman等等经典图片
  • Python-opencv 批量处理图片

    千次阅读 2020-06-30 08:46:35
    用opencv实现图像的批量读取、裁剪、写入指定的文件夹 import glob i = 0 for jpgfile in glob.glob(r'F:\skillcode\good_programmer\Image\*.jpg'): image = cv2.imread(jpgfile) #print(image.shape) dst = ...
  • Numpy处理图片方法

    千次阅读 多人点赞 2020-01-18 08:26:20
    在进行图像领域的深度学习的时候经常需要对图片进行处理,包括图像的翻转,压缩,截取等,一般都是用Numpy来处理处理起来也很方便。 In[3] # 导入需要的包 import numpy as np import matplotlib.pyplot as ...
  • 数字图像处理- 图像压缩

    千次阅读 2022-04-24 22:59:53
    目的:编程对图像进行线性预测编码处理。 要求:能够编程实现对图像进行压缩处理。 根据图1中二阶线性预测编码原理的示意图,图中a1=1,a2= -1,编写线性预测编码代码对一幅灰度图像进行压缩。 图1 二阶线性...
  • matlab批量处理图像的几种方法

    千次阅读 2020-04-10 10:22:19
    %%需要处理图像文件夹 list = dir(path); path1 = ‘D:\matlab\Image2’; %%处理图像所在文件夹 for i = 3:length(list) path2 = [path list(i).name]; I = imread(path2); %%根据自己需求进行具体图像处理 ...
  • 数字图像处理中常用到图片集,适合数字图像开发人员使用,比较全
  • 本书介绍了用c#指针对图像进行处理,图像处理图像处理图像处理图像处理图像处理图像处理图像处理
  • 图像处理-图像裁剪

    千次阅读 2021-11-24 17:26:02
    有时在进行图像处理的时候,需要先对图像进行裁剪,如何进行裁剪,很简单。数字图像本质上还是矩阵,只用想着对矩阵做处理就行了。但是有一点必要理解,图像的长度是矩阵的列数,图像的宽度是矩阵的行数。所以说...
  • Matlab 学习入门 图像处理

    千次阅读 2022-01-27 15:33:11
    我们可以去选择一张图片,点击属性,里面就有所在色的位置,如图所示: 所以我们如果想要调用这张图片,必须1和2同时满足才可以调用,我们在Matlab中可以这样调用: 二:imshow 函数调用 我们在读取图片的位置之后...
  • 图像平滑处理

    千次阅读 2021-01-22 14:53:32
    目录图像平滑处理图像平滑处理原理图像平滑处理方法:均值滤波基本原理函数语法:dst=cv2.blue(src,ksize,anchor,borderType)例子方框滤波函数语法:dst=cv2.boxFilter(scr,ddepth,ksize,anchor,normalize,...
  • 图像处理——图像增强(1)

    千次阅读 2022-03-16 18:51:53
    图像增强 第一篇

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,043,325
精华内容 817,330
关键字:

如何处理图像

友情链接: eadm_sch.rar