點擊上方「小白學視覺」，選擇加"星標"或「置頂」python
重磅乾貨，第一時間送達
算法
本期文章中，讓咱們一塊兒來學習如下內容。swift
經過PIL和OpenCV來使用一些常見的圖像處理技術，例如將RGB圖像轉換爲灰度圖像、旋轉圖像、對圖像進行消噪、檢測圖像中的邊緣以及裁剪圖像中的感興趣區域。
數組
使用OpenCV中的模板匹配搜索圖像中的對象。
微信
所需安裝的庫：PIL、OpenCV、imutils網絡
爲何咱們須要學習圖像處理技術？
app
深度學習對於圖像的分析、識別以及語義理解具備重要意義。「圖像分類」、「對象檢測」、「實例分割」等是深度學習在圖像中的常見應用。爲了可以創建更好的訓練數據集，咱們必須先深刻了解基本的圖像處理技術，例如圖像加強，包括裁剪圖像、圖像去噪或旋轉圖像等。其次基本的圖像處理技術一樣有助於光學字符識別（OCR）。函數
圖像處理技術經過識別關鍵特徵或讀取圖像中的文本信息，來提升圖像的可解釋性，以便對圖像中存在的對象進行分類或檢測。oop
此處提供代碼和圖像學習
導入所需的庫
import cv2from PIL import Image
首先咱們使用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)
若是圖像太大，圖像的窗口將不匹配屏幕顯示比例。
那麼如何在屏幕上顯示完整的圖像？
默認狀況下，顯示超大圖像時圖像都會被裁剪，不能被完整顯示出來。爲了可以查
看完整圖像，咱們將使用OpenCV中的namedWindow(name, flag)來建立一個新的顯示圖像窗口。
第一個參數name是窗口的標題，將被用做標識符。 當您將flag設置爲cv2.WINDOW_NORMAL時，將顯示完整圖像，並能夠調整窗口大小。固然flag參數還有選擇。
image = cv2.imread(r'love.jpg')cv2.namedWindow('Normal Window', cv2.WINDOW_NORMAL)cv2.imshow('Normal Window', image)cv2.waitKey(0)
調整圖像的尺寸
當咱們調整圖像大小時，咱們能夠更改圖像的高度或寬度，或在保持寬高比不變的狀況下同時變化高度和寬度。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
咱們將使用open()加載圖像，而後使用show()進行顯示。
使用image.show()建立一個臨時文件
pil_image= Image.open(r'love.jpg')pil_image.show("PIL Image")
若是咱們對圖像中目標的邊緣或其餘特徵感興趣，要如何對他們進行識別呢？
灰度圖像經常用於識別目標物體的邊緣，由於灰度圖像不只助於理解圖像中對比度、陰影漸變，並且有助於理解圖像特徵。
與灰度圖像的2D通道相比，RGB圖像具備三個通道：紅色，綠色和藍色。與彩色圖像相比，灰度圖像每一個像素的信息更少，所以灰度圖像的處理時間將更快。
使用OpenCV對彩色圖像進行灰度縮放
如下是使用cvtColor()將彩色圖像轉換爲灰度圖像的方法及轉換結果。
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)
完成轉換的灰度圖
使用PIL對彩色圖像進行灰度縮放
convert()提供了此圖像轉換的另外一種方式， 「 L」模式用於轉換爲灰度圖像，「 RGB」模式用於轉換爲彩色圖像。
pil_image= Image.open(r'love.jpg')gray_pil=pil_image.convert('L')gray_pil.show()
使用OpenCV進行邊緣檢測
咱們將使用Canny算子對圖像中的邊緣進行檢測。Canny邊緣檢測是經過灰度圖像，使用高階算法完成的。
Canny():第一個參數是輸入圖像，第二個和第三個參數是閾值1和閾值2的值。
強度梯度大於threshold2的邊緣被視爲邊緣，低於threshold1的邊緣被視爲非邊緣。非邊緣將被刪除。兩個閾值之間的任何梯度強度值都根據它們的連通性被分類爲邊緣或非邊緣。
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
若是圖像發生必定的傾斜或旋轉，應該怎樣進行調整？
OCR對傾斜文本的提取效果不佳，所以咱們須要對原圖像進行校訂。可使用OpenCV和PIL中的rotate()對圖像進行角度校訂。
使用OpenCV旋轉圖像
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將圖像順時針旋轉90度
若是咱們想將圖像旋轉特定角度怎麼辦？
根據特定角度旋轉圖像
在下面的代碼中，圖像以60度爲增量旋轉
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度爲增量旋轉圖像
使用PIL旋轉圖像
此處使用PIL將圖像旋轉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110度
當圖像因噪聲而變差並影響圖像分析時，咱們應該如何提升圖像質量？
使用OpenCV對圖像進行除噪
噪聲並非咱們想獲得的信號，就圖像而言，它會使圖像受到干擾而失真。
使用OpenCV最小化圖像中出現的噪聲，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)
-
src: 源圖像
dst: 輸出與src具備相同大小和類型的圖像
h: 調節過濾器強度。 較高的h值能夠徹底消除噪點和圖像細節，較小的h值能夠保留圖像細節以及一些噪點。
hForColorComponents: 與h相同，但僅用於彩色圖像，一般與h相同
templateWindowSize: 默認0（推薦7）
searchWindowSize: 默認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)
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_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()
cv2.TM_SQDIFF
cv2.TM_SQDI
cv2.TM_C
cv2.TM_CCORR_NORMED
cv2.TM_CCOEFF
cv2.TM_CCOEFF_NORMED
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")
交流羣
歡迎加入公衆號讀者羣一塊兒和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫學影像、GAN、算法競賽等微信羣（之後會逐漸細分），請掃描下面微信號加羣，備註：」暱稱+學校/公司+研究方向「，例如：」張三 + 上海交大 + 視覺SLAM「。請按照格式備註，不然不予經過。添加成功後會根據研究方向邀請進入相關微信羣。請勿在羣內發送廣告，不然會請出羣，謝謝理解~
本文分享自微信公衆號 - 小白學視覺（NoobCV）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。