当前位置: 首页>前端>正文

opencv和卷积网络的关系 opencv卷积操作


第八部分、图像操作-4

  • 第一节、图像卷积操作
  • 1.图像卷积定义
  • 2.卷积函数
  • 3.代码练习与测试
  • 第二节、高斯模糊
  • 1.高斯模糊
  • 2.函数解释
  • 3.代码练习与测试
  • 第三节、像素重映射
  • 1.像素重映射定义
  • 2.重映射函数
  • 3.代码练习与测试

第一节、图像卷积操作

1.图像卷积定义


卷积的基本原理:

  • 输入图像
  • 输出图像
  • 卷积核(窗口大小),卷积核里的数叫卷积核系数/权重/卷积核

左图所示是原值填充边缘,中间的部分是点乘求和之后取平均值。

卷积的本质:线性组合(矩阵乘法)

所有卷积核系数都相同如下图都是1,实验证明可以抑制噪声。并且最后求平均值的方法叫做均值卷积,可以用来做图像模糊。

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv,第1张

卷积定义示例:

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_卷积_02,第2张

2.卷积函数


最常见的边缘填充函数:

# 边缘处理,边缘填充的方式
1. cv.BORDER_DEFAULT # 边框将是边框元素的镜像gfedcb|abcdefgh|gfedcba
2. cv.BORDER_WRAP # 用另一边(对边)的像素来补偿填充 cdefgh|abcdefgh|abcdefg
3. cv.BORDER_CONSTANT # 填充边缘用指定像素值 iiiiii|abcdefgh|iiiiiii

卷积模糊函数:

cv.blur(src, ksize[, dst[, anchor[, borderType]]]) --> dst
# src表示输入图像 CV_8U, CV_32F or CV_64F
# Ksize卷积核大小
# Anchor锚定位置,默认是赋值在锚点中心位置(-1, -1)
# borderType边缘处理方式

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_卷积_03,第3张

3.代码练习与测试


# 图像卷积操作
def conv_demo():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    dst = np.copy(image)
    cv.imshow("input", image)
    h, w, c = image.shape
    # 自定义方法实现卷积
    # 从上到下,从左到右,从1开始说明边缘有一个没有绑定会有缝隙,从2开始就可以边缘填满
    for row in range(2, h-2, 1):
        for col in range(2, w-2, 1):
            # 求均值的区域范围是(0, 4)就是0, 1, 2, 3, 4,也就是一个5*5的卷积核
            m = cv.mean(image[row-2:row+2, col-2:col+2])
            # 把卷积后的均值结果赋值给中心位置
            dst[row, col] = (int(m[0]), int(m[1]), int(m[2]))
    cv.imshow("convolution-demo", dst)

    # 用官方自带的卷积api函数
    blured = cv.blur(image, (5, 5), anchor=(-1, -1))
    cv.imshow("blur-demo", blured)

    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例:

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_卷积_04,第4张

# 窗口大小不是正方形的图像卷积
def conv_demo_2():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("input", image)
    # 用官方自带的卷积api函数
    # 水平抖动
    blured1 = cv.blur(image, (15, 1), anchor=(-1, -1))
    cv.imshow("blur-demo1", blured1)
    # 垂直抖动
    blured2 = cv.blur(image, (1, 15), anchor=(-1, -1))
    cv.imshow("blur-demo2", blured2)

    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例:

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv和卷积网络的关系_05,第5张

# 模糊操作:系数相同,均值卷积
# 窗口大小不是正方形的图像卷积
def conv_demo_2():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("input", image)
    # 用官方自带的卷积api函数
    # 模糊操作,系数相同,均值卷积
    blured3 = cv.blur(image, (25, 25), anchor=(-1, -1))
    cv.imshow("blur-demo3", blured3)
    cv.waitKey(0)
    cv.destroyAllWindows()

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_卷积_06,第6张

第二节、高斯模糊

1.高斯模糊


卷积核系数相同叫做均值模糊,卷积核系数不同可以做高斯模糊

左图所示是均值模糊,右图是高斯模糊,中间的是高斯函数(中间部分是最高的,离中间越远值越小)

高斯模糊下针对不同位置使用高斯公式生成的卷积核叫做**高斯核**。

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv_07,第7张

中心对称,不同权重,线性组合

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv和卷积网络的关系_08,第8张

高斯模糊和均值模糊的差异就是,高斯模糊考虑了中心位置对权重的影响

2.函数解释


# 高斯函数
1. cv.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -->dst
# ksize窗口大小,必须是正数而且是奇数
# sigmaX高斯核函数X方向标准方差
# sigmaY高斯核函数Y方向标准方差,默认0(表示跟sigmaX相同)
# ksize为0表示从sigmaX计算生成ksize
# ksize大于0表示从ksize计算生成sigmaX
# 所以ksize和sigmaX设一个就行
# 计算方式:σ = 0.3*((size - 1)*0.5 - 1) + 0.8
# ksize取值越大模糊程度越高,sigmaX取值越大模糊程度越高
  • 均值模糊 – 卷积核权重系数相同
  • 高斯模糊 – 卷积核根据高斯函数生成,权重系数不同

3.代码练习与测试


# 高斯模糊
def gaussian_blur_demo():
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("input", image)
    # 用官方自带的卷积api函数
    # 窗口大小ksize为0表示从sigmaX计算生成ksize
    # ksize窗口大小,必须是正数而且是奇数
    g1 = cv.GaussianBlur(image, (0, 0), 15)
    # ksize大于0表示从ksize计算生成sigmaX
    # 此时的sigmaX由计算式子σ = 0.3*((size - 1)*0.5 - 1) + 0.8 计算为:2.6
    # ksize窗口大小,必须是正数而且是奇数
    g2 = cv.GaussianBlur(image, (15, 15), 15)
    cv.imshow("GaussianBlur-demo1", g1)
    cv.imshow("GaussianBlur-demo2", g2)

    cv.waitKey(0)
    cv.destroyAllWindows()

结果示例:

由于窗口大小ksize不为0时sigmaX由计算得出,所以会出现两种模糊不一致的情况。

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv和卷积网络的关系_09,第9张

第三节、像素重映射

1.像素重映射定义


把某个位置(x, y)的像素值赋值到另一个位置。例如(50, 50) -> (100, 100)

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv和卷积网络的关系_10,第10张

2.重映射函数


1. cv.remap(src, map1, map2, interpolation[, dst[, borderMode[, borderValue]]] ) -> dst
# src表示图像
# map1表示x,y方向映射规则,或者x方向映射
# Map2如果map1表示x,y映射时为空,否则表示y
# 表示映射时候的像素插值方法 支持:INTER_NEAREST 、NTER_LINEAR 、NTER_CUBIC

3.代码练习与测试


# 滚动条实现像素重定向
def trackbar_remap_callback(pos):
    print(pos)


def remap_demo():
    cv.namedWindow("remap-demo", cv.WINDOW_AUTOSIZE)
    # 注意使用cv.createTrackbar滚动条之前线要定义注册响应trackbar_remap_callback
    cv.createTrackbar("remap-type", "remap-demo", 0, 3, trackbar_remap_callback)
    image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")
    cv.imshow("lena", image)
    h, w, c = image.shape
    # map_x和map_y只存储映射规则的坐标
    map_x = np.zeros((h, w), dtype=np.float32)
    map_y = np.zeros((h, w), dtype=np.float32)
    # 完成map_x和map_y的定义
    while True:
        pos = cv.getTrackbarPos("remap-type", "remap-demo")
        # 倒立,x方向不变,修改y方向
        if pos == 0:
            # map_x.shape[0]对应h
            # 一行一行的操作x
            for i in range(map_x.shape[0]):
                map_x[i, :] = [x for x in range(map_x.shape[1])]
            # map_y.shape[1]对应w
            # 一列一列的操作y
            for j in range(map_y.shape[1]):
                map_y[:, j] = [map_y.shape[0] - y for y in range(map_y.shape[0])]
        # 镜像,x方向修改,y方向不变
        elif pos == 1:
            # map_x.shape[0]对应h
            # 一行一行的操作x
            for i in range(map_x.shape[0]):
                map_x[i, :] = [map_x.shape[1] - x for x in range(map_x.shape[1])]
            # map_y.shape[1]对应w
            # 一列一列的操作y
            for j in range(map_y.shape[1]):
                map_y[:, j] = [y for y in range(map_y.shape[0])]
        # 对角线对称,x方向修改,y方向也修改
        elif pos == 2:
            # map_x.shape[0]对应h
            # 一行一行的操作x
            for i in range(map_x.shape[0]):
                map_x[i, :] = [map_x.shape[1] - x for x in range(map_x.shape[1])]
            # map_y.shape[1]对应w
            # 一列一列的操作y
            for j in range(map_y.shape[1]):
                map_y[:, j] = [map_y.shape[0] - y for y in range(map_y.shape[0])]
        # 放大两倍,x方向修改,y方向也修改
        elif pos == 3:
            # map_x.shape[0]对应h
            # 一行一行的操作x
            for i in range(map_x.shape[0]):
                map_x[i, :] = [int(x/2) for x in range(map_x.shape[1])]
            # map_y.shape[1]对应w
            # 一列一列的操作y
            for j in range(map_y.shape[1]):
                map_y[:, j] = [int(y/2) for y in range(map_y.shape[0])]
        # 像素重映射remap函数
        dst = cv.remap(image, map_x, map_y, cv.INTER_LINEAR)
        cv.imshow("remap-demo", dst)
        # 每50ms获取一次键值,ESC键值为27
        c = cv.waitKey(50)
        if c == 27:
            break
    cv.destroyAllWindows()

结果示例:

opencv和卷积网络的关系 opencv卷积操作,opencv和卷积网络的关系 opencv卷积操作_opencv_11,第11张


https://www.xamrdz.com/web/2ny1942449.html

相关文章: