使用Python+OpenCV进行图像处理（二）
图像预处理对于整个图像处理任务来讲尤其最重要。如果我们没展开合理的预处理，无论我们有多么好的数据也很难获得理想的结果。本篇是视觉入门系列教程的第二篇。 整个视觉入门系列内容如下：解读颜色模型与在图像上绘制图形（图像处理基本操作）。基本的图像处理与滤波技术。从特征检测到人脸检测。 图像拆分与分水岭（Watershed）算法（TBU）在边缘和轮廓检测中，噪声对检测的精度有相当大的影响。因此，除去噪声和掌控像素值的大小可以协助模型探讨于整体特征，取得更高的精度。
图像预处理对于整个图像处理任务来讲尤其最重要。如果我们没展开合理的预处理，无论我们有多么好的数据也很难获得理想的结果。本篇是视觉入门系列教程的第二篇。
整个视觉入门系列内容如下：解读颜色模型与在图像上绘制图形（图像处理基本操作）。基本的图像处理与滤波技术。从特征检测到人脸检测。
图像拆分与分水岭（Watershed）算法（TBU）在边缘和轮廓检测中，噪声对检测的精度有相当大的影响。因此，除去噪声和掌控像素值的大小可以协助模型探讨于整体特征，取得更高的精度。
对应的图像处理技术还包括：模糊化（Blurring）、阈值化（thresholding）和形态切换（morphologicaltransformation）。本篇我们将详尽讲解这几个少见的图像预处理技术。
（本文假设读者早已熟知卷积的概念。）模糊化（Blurring）模糊化的目标是构建减震。
我们必需十分留意的是：如果我们把边缘检测算法应用于到高分辨率的图像上，我们就不会获得很多我们不感兴趣的检测结果；忽略，如果我们把图像模糊不清过于多，我们就不会遗失数据。因此，我们必须寻找一个必要的模糊不清量，从而不丧失理想的边缘。
有多种技术用作构建模糊不清效果，在这里我们辩论OpenCV中常用的四种技术：平均值模糊不清（Averagingblurring）、高斯模糊不清（Gaussianblurring）、中值模糊不清（medianblurring）和双边滤波（bilateralfiltering）。这四种技术应用于一个联合的基本原理，即用于滤波器（内核）对图像展开卷积运算。有所不同的是，在四种模糊不清方法中用于的滤波器的值是有所不同的。平均值模糊不清（Averageblurring）是所取等价内核（kernel）区域下所有像素值的平均值更换中心的值。
例如，假设等价一个大小为5X5的内核（kernel），我们计算出来卷积结果的平均值，并将结果放到等价区域的中心。示例如下：如果我们减少内核的大小，像素值将更为归一化。因此图像也不会显得更加模糊不清。
让我们用下面的代码对比处理结果。（为了便于较为，将把完整图像特到结果中，展开对比表明。）＃ImporttheimageandconverttoRGBimg＝cv2．imread（＇text．jpg＇）img＝cv2．cvtColor（img，cv2．COLOR＿BGR2RGB）＃Plottheimagewithdifferentkernelsizeskernels＝［5，11，17］fig，axs＝plt．subplots（nrows＝1，ncols＝3，figsize＝（20，20））forind，sinenumerate（kernels）：img＿blurred＝cv2．blur（img，ksize＝（s，s））ax＝axs［ind］ax．imshow（img＿blurred）ax．axis（＇off＇）plt．show（）中值模糊不清（Mediumblurring）和平均值模糊不清（Averageblurring）是一样的，只是它用于的是中值而不是平均值。
于是以由于这个特性，当我们必须处置图像中忽然经常出现的噪音时（如“椒盐噪音”），用于中值模糊不清（mediumblurring）的效果要比平均值模糊不清（averageblurring）效果好。高斯模糊不清（Gaussianblurring）是用于“值”具备高斯分布的核函数。由于这些值是由高斯函数分解的，因此它的参数必须一个sigma值。
如上图，内核的值在附近中心的地方变高，在附近角的地方变大。将该方法应用于具备正态分布的噪声，如白噪声，效果较好。双边滤波（BilateralFiltering）是高斯模糊不清的一个高级版本。
模糊化不仅可以沉淀噪声，而且还不会光滑边缘。而双边滤波器能在除去噪声的同时维持边缘锐化。
这是由于它不仅用于高斯分布值，还同时考虑到了距离和像素值的差异。因此，必须登录sigmaSpace和sigmaColor这两个参数。＃Blurtheimageimg＿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）＃Plottheimagesimages＝［img＿0，img＿1，img＿2，img＿3］fig，axs＝plt．subplots（nrows＝1，ncols＝4，figsize＝（20，20））forind，pinenumerate（images）：ax＝axs［ind］ax．imshow（p）ax．axis（＇off＇）plt．show（）阈值化（Thresholding）图像的阈值化就是利用图像像素点产于规律，原作阈值展开像素点拆分，进而获得图像的二值图像。我们必须设置阈值和最大值，然后据此适当地展开像素值切换。
常用的阈值化包括有五种有所不同的类型：二进制阈值化、反二进制阈值化、阈值化到零、反阈值化到零，和阈值切断。
本文关键词：使用,Python+OpenCV,进行,图像处理,二,图像,威9国际真人
本文来源：威9国际真人-www.cptouxiang.com