opencv操作(1）：一些杂知识

发表于 | 更新于: | 分类于 | 阅读次数: |
字数统计: 1,430字 | 阅读时长 ≈ 6分钟

代码转换

   原文地址为https://blog.csdn.net/dcrmg/article/details/53677739 。本人使用opencv的python版本这里面的操作进行了一下转换。代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
import cv2
import numpy as np
import math

# Histogram Equalization
img1 = cv2.imread('input1.png')
dst_img1 = np.zeros(img1.shape, np.uint8)
for i in range(0,3):
    dst_img1[:,:,i] = cv2.equalizeHist(img1[:,:,i])
cv2.imshow("Histogram Equalization",dst_img1)

# Laplacian
img2 = cv2.imread('input2.jpeg')
dst_img2 = np.zeros(img2.shape, np.uint8)
kernel = np.array([[0,-1,0],[0,5,0],[0,-1,0]])
cv2.filter2D(img2,cv2.CV_8UC3,kernel,dst_img2)
cv2.imshow("Laplacian Effect",dst_img2)

# Log transfer
img3 = cv2.imread('input3.jpeg')
dst_img3 = np.zeros(img3.shape, np.float32)
for i in range(0,img3.shape[0]):
    for j in range(0,img3.shape[1]):
        for k in range(0,3):
            dst_img3[i,j,k] = math.log(1+img3[i,j,k])
cv2.normalize(dst_img3,dst_img3,0,255,cv2.NORM_MINMAX)
dst_img3 = np.uint8(dst_img3)
cv2.convertScaleAbs(dst_img3,dst_img3)
cv2.imshow("Log result",dst_img3)
cv2.waitKey(0)

   自上而下依次是直方图均衡化操作，拉普拉斯增强操作和LOG变换操作，效果在原链接里已经有了，这里不再显示。

图像数据简介

   首先学习的是常见的图像存储格式，如下：
CV_{bit_depth}(S|U|F)C{number_of_channels}
bit_depth：图像深度，也就是比特数，例如8位，16位，32位，64位。
(S|U|F)：分别表示三种数据类型，S为signed int，即有符号整型；U为unsigned int，即无符号整型；F为float，单精度浮点型。三者只能选一种。
number_of_channels：1表示灰度图，2表示RGB图像，3表示带alpha的RGB图像也就是四通道图像。
例如：CV_8UC3，代表8位比特的无符号整型的RGB图像数据。

直方图均衡化

   下面对代码里的一些图像操作进行分析，首先是直方图均衡化，通过调整图像的灰阶分布，使得在0~255灰阶上的分布更加均衡，提高了图像的对比度，达到改善图像主观视觉效果的目的。对比度较低的图像适合使用直方图均衡化方法来增强图像细节。直观原理如下图所示：

   这里opencv使用的核心操作是cv2.equalizeHist，只能对一个通道进行均衡化操作，其基本定义为equalizeHist(src, dst);第一个参数为输入图像，第二个参数为输出图像。
该函数采用如下法则对输入图像进行直方图均衡化:
1:计算输入图像的直方图H。
2:直方图归一化,因此直方块和为255。
3:计算直方图积分,H’(i) = Sum(H(j)) (0<=j<=i)。
4:采用H’作为查询表:dst(x, y) = H’(src(x, y))进行图像变换。
具体的原理可以参考数字图像处理,这里不再赘述。

使用filer2D（图像卷积运算）实现拉普拉斯算子增强

   使用中心为5的8邻域拉普拉斯算子与图像卷积可以达到锐化增强图像的目的，当然拉普拉斯算子的形式有很多了，其中一个如下所示：

   这里使用使用filer2D（图像卷积运算）来实现，即通过卷积上图所示的算子，即可实现拉普拉斯算子增强。filer2D定义如下：

1
C++:void filter2D(InputArraysrc, OutputArray dst, int ddepth, InputArray kernel, Point anchor=Point(-1,-1), doubledelta=0,intborderType=BORDER_DEFAULT)

   主要参数就是前面五个，InputArraysrc(输入)，OutputArray dst（输出），ddepth（图像深度），kernel（操作核）， Point anchor(核的基准点，默认-1表示在核的中心）。该函数使用于任意线性滤波器的图像，支持就地操作。当其中心移动到图像外，函数可以根据指定的边界模式进行插值运算。函数实质上是计算kernel与图像的相关性而不是卷积。

这里图像为I(x,y)，核为G(i,j)，其中0<i<Mi-1和0<j<Mj-1，锚点位于相应核的(ai,aj)坐标上。

LOG变换及其他

   LOG变换这里使用了log求对数操作，一般来说在python里求对数操作有三种方式，分别是math.log(x)，scipy.log(x)和numpy.log(x)，这里我们使用的是math.log(x)。
   LOG(对数)变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。变换方法：$s=clog_{v+1}(1+v*r)$，其增强低灰度部分的一个直观的体现如下图：

x轴的0.4大约对应了y轴的0.8，即原图上0-0.4的低灰度部分经过对数运算后扩展到0-0.8的部分，而整个0.4-1的高灰度部分被投影到只有0.8-1的区间，这样就达到了扩展和增强低灰度部分，压缩高灰度部分的值的功能。从上图还可以看到，对于不同的底数，底数越大，对低灰度部分的扩展就越强，对高灰度部分的压缩也就越强。

   这部分还使用的cv2.normalize用来进行归一化，定义如下：

1
void normalize(InputArray src, OutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray())

其中src：输入矩阵,dst：归一化后的矩阵，当norm_type=NORM_MINMAX时，dst的最小值为alpha，dst的最大值为beta。norm_type=NORM_INF, NORM_L1, or NORM_L2shi时，dst为src的无穷范数、1范数和2范数。例如，本例中就将图像扩展为0到255区间。

参考：
1、https://blog.csdn.net/dcrmg/article/details/53677739
2、https://blog.csdn.net/lay_zy/article/details/78399317
3、https://bbs.csdn.net/topics/390957036
4、https://blog.csdn.net/xiachong27/article/details/80520154
5、https://blog.csdn.net/u012487272/article/details/26745149

0%