如何提高网站点击率,建设工程人力资源网查询平台,网站设置不安全,运营和营销有什么区别本文主要介绍如何使用Python和OpenCV库通过卷积操作来应用不同的图像滤波效果。主要分为几个步骤#xff1a;图像的读取与处理、自定义卷积函数的实现、不同卷积核的应用#xff0c;以及结果的展示。
卷积
在图像处理中#xff0c;卷积是一种重要的操作#xff0c;它通过…本文主要介绍如何使用Python和OpenCV库通过卷积操作来应用不同的图像滤波效果。主要分为几个步骤图像的读取与处理、自定义卷积函数的实现、不同卷积核的应用以及结果的展示。
卷积
在图像处理中卷积是一种重要的操作它通过将图像与一个小的矩阵称为卷积核或滤波器进行运算来影响图像的各种属性。这种操作可以用于实现模糊、锐化、边缘检测等效果。今天我们将探讨如何在Python中使用OpenCV库来自定义卷积核并将其应用于图像处理任务中。
图像的读取与处理
首先我们需要读取一张图像并将其转换成灰度图因为在这个例子中我们将使用灰度图像来简化处理过程
image cv2.imread(args[image])
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)自定义卷积函数的实现
接下来我们实现一个名为convolve的函数该函数接收一个图像和一个卷积核作为输入并返回卷积后的结果。在这个过程中我们通过为图像添加边界然后对每个像素应用卷积核来完成卷积操作
def convolve(image, kernel):# 输入图像和核的尺寸(iH, iW) image.shape[:2](kH, kW) kernel.shape[:2]# 选择pad卷积后图像大小不变pad (kW - 1) // 2# 重复最后一个元素top, bottom, left, rightimage cv2.copyMakeBorder(image, pad, pad, pad, pad,cv2.BORDER_REPLICATE)output np.zeros((iH, iW), dtypefloat32)# 卷积操作for y in np.arange(pad, iH pad):for x in np.arange(pad, iW pad):# 提取每一个卷积区域roi image[y - pad:y pad 1, x - pad:x pad 1]# 内积运算k (roi * kernel).sum()# 保存相应的结果output[y - pad, x - pad] k# 将得到的结果放缩到[0, 255]output rescale_intensity(output, in_range(0, 255))output (output * 255).astype(uint8)return output不同卷积核的应用
为了展示不同的图像处理效果我们定义了几种不同的卷积核
**小模糊Small Blur和大模糊Large Blur**用于创建模糊效果。**锐化Sharpen**卷积核可以使图像看起来更清晰。**拉普拉斯Laplacian和索贝尔Sobel**卷积核用于边缘检测。
smallBlur np.ones((7, 7), dtypefloat) * (1.0 / (7 * 7))
largeBlur np.ones((21, 21), dtypefloat) * (1.0 / (21 * 21))
# 尝试不同的卷积核
sharpen np.array(([0, -1, 0],[-1, 5, -1],[0, -1, 0]), dtypeint)laplacian np.array(([0, 1, 0],[1, -4, 1],[0, 1, 0]), dtypeint)sobelX np.array(([-1, 0, 1],[-2, 0, 2],[-1, 0, 1]), dtypeint)sobelY np.array(([-1, -2, -1],[0, 0, 0],[1, 2, 1]), dtypeint)# 尝试不同结果
kernelBank ((small_blur, smallBlur),(large_blur, largeBlur),(sharpen, sharpen),(laplacian, laplacian),(sobel_x, sobelX),(sobel_y, sobelY)
)# 更多卷积核...结果的展示
最后我们遍历每一个卷积核将其应用于原始图像并显示结果
for (kernelName, kernel) in kernelBank:convoleOutput convolve(gray, kernel)opencvOutput cv2.filter2D(gray, -1, kernel)# 展示结果# 分别展示结果cv2.imshow(original, gray)cv2.imshow({} - convole.format(kernelName), convoleOutput)cv2.imshow({} - opencv.format(kernelName), opencvOutput)cv2.waitKey(0)cv2.destroyAllWindows()可以看到卷积核在图像处理中的强大作用以及如何通过调整卷积核来实现不同的视觉效果。
完整代码
# 导入工具包
from skimage.exposure import rescale_intensity
import numpy as np
import argparse
import cv2def convolve(image, kernel):# 输入图像和核的尺寸(iH, iW) image.shape[:2](kH, kW) kernel.shape[:2]# 选择pad卷积后图像大小不变pad (kW - 1) // 2# 重复最后一个元素top, bottom, left, rightimage cv2.copyMakeBorder(image, pad, pad, pad, pad,cv2.BORDER_REPLICATE)output np.zeros((iH, iW), dtypefloat32)# 卷积操作for y in np.arange(pad, iH pad):for x in np.arange(pad, iW pad):# 提取每一个卷积区域roi image[y - pad:y pad 1, x - pad:x pad 1]# 内积运算k (roi * kernel).sum()# 保存相应的结果output[y - pad, x - pad] k# 将得到的结果放缩到[0, 255]output rescale_intensity(output, in_range(0, 255))output (output * 255).astype(uint8)return output# 指定输入图像
ap argparse.ArgumentParser()
ap.add_argument(-i, --image, defaultlanpangzi.jpg,helppath to the input image)
args vars(ap.parse_args())# 分别构建两个卷积核
smallBlur np.ones((7, 7), dtypefloat) * (1.0 / (7 * 7))
largeBlur np.ones((21, 21), dtypefloat) * (1.0 / (21 * 21))# 尝试不同的卷积核
sharpen np.array(([0, -1, 0],[-1, 5, -1],[0, -1, 0]), dtypeint)laplacian np.array(([0, 1, 0],[1, -4, 1],[0, 1, 0]), dtypeint)sobelX np.array(([-1, 0, 1],[-2, 0, 2],[-1, 0, 1]), dtypeint)sobelY np.array(([-1, -2, -1],[0, 0, 0],[1, 2, 1]), dtypeint)# 尝试不同结果
kernelBank ((small_blur, smallBlur),(large_blur, largeBlur),(sharpen, sharpen),(laplacian, laplacian),(sobel_x, sobelX),(sobel_y, sobelY)
)# 简单起见用灰度图来玩
image cv2.imread(args[image])
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 遍历每一个核
for (kernelName, kernel) in kernelBank:print([INFO] applying {} kernel.format(kernelName))convoleOutput convolve(gray, kernel)# -1 表示深度一致opencvOutput cv2.filter2D(gray, -1, kernel)# 分别展示结果cv2.imshow(original, gray)cv2.imshow({} - convole.format(kernelName), convoleOutput)cv2.imshow({} - opencv.format(kernelName), opencvOutput)cv2.waitKey(0)cv2.destroyAllWindows()
