OpenCV Python教程（3、直方圖的計(jì)算與顯示）

本篇文章介紹如何用OpenCV?Python來(lái)計(jì)算直方圖，并簡(jiǎn)略介紹用NumPy和Matplotlib計(jì)算和繪制直方圖

直方圖的背景知識(shí)、用途什么的就直接略過(guò)去了。這里直接介紹方法。

計(jì)算并顯示直方圖

與C++中一樣，在Python中調(diào)用的OpenCV直方圖計(jì)算函數(shù)為cv2.calcHist。

cv2.calcHist的原型為：

[python]?view plaincopy

cv2.calcHist(images,?channels,?mask,?histSize,?ranges[,?hist[,?accumulate?]])?#返回hist??

通過(guò)一個(gè)例子來(lái)了解其中的各個(gè)參數(shù)： [python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np??

??

image?=?cv2.imread("D:/histTest.jpg",?0)??

hist?=?cv2.calcHist([image],??

????[0],?#使用的通道??

????None,?#沒(méi)有使用mask??

????[256],?#HistSize??

????[0.0,255.0])?#直方圖柱的范圍??

其中第一個(gè)參數(shù)必須用方括號(hào)括起來(lái)。

第二個(gè)參數(shù)是用于計(jì)算直方圖的通道，這里使用灰度圖計(jì)算直方圖，所以就直接使用第一個(gè)通道；

第三個(gè)參數(shù)是Mask，這里沒(méi)有使用，所以用None。

第四個(gè)參數(shù)是histSize，表示這個(gè)直方圖分成多少份（即多少個(gè)直方柱）。第二個(gè)例子將繪出直方圖，到時(shí)候會(huì)清楚一點(diǎn)。

第五個(gè)參數(shù)是表示直方圖中各個(gè)像素的值，[0.0, 256.0]表示直方圖能表示像素值從0.0到256的像素。

最后是兩個(gè)可選參數(shù)，由于直方圖作為函數(shù)結(jié)果返回了，所以第六個(gè)hist就沒(méi)有意義了（待確定）

最后一個(gè)accumulate是一個(gè)布爾值，用來(lái)表示直方圖是否疊加。

彩色圖像不同通道的直方圖

彩色圖像不同通道的直方圖

下面來(lái)看下彩色圖像的直方圖處理。以最著名的lena.jpg為例，首先讀取并分離各通道：

[python]?view plaincopy

import?cv2??????

import?numpy?as?np??????

??????

img?=?cv2.imread("D:/lena.jpg")??????

b,?g,?r?=?cv2.split(img)???

接著計(jì)算每個(gè)通道的直方圖，這里將其封裝成一個(gè)函數(shù)： [python]?view plaincopy

def?calcAndDrawHist(image,?color):????

????hist=?cv2.calcHist([image],?[0],?None,?[256],?[0.0,255.0])????

????minVal,?maxVal,?minLoc,?maxLoc?=?cv2.minMaxLoc(hist)????

????histImg?=?np.zeros([256,256,3],?np.uint8)????

????hpt?=?int(0.9*?256);????

????????

????for?h?in?range(256):????

????????intensity?=?int(hist[h]*hpt/maxVal)????

????????cv2.line(histImg,(h,256),?(h,256-intensity),?color)????

????????????

????return?histImg;???

這里只是之前代碼的簡(jiǎn)單封裝，所以注釋就省掉了。

接著在主函數(shù)中使用：

[python]?view plaincopy

if?__name__?==?'__main__':????

????img?=?cv2.imread("D:/lena.jpg")????

????b,?g,?r?=?cv2.split(img)????

????

????histImgB?=?calcAndDrawHist(b,?[255,?0,?0])????

????histImgG?=?calcAndDrawHist(g,?[0,?255,?0])????

????histImgR?=?calcAndDrawHist(r,?[0,?0,?255])????

????????

????cv2.imshow("histImgB",?histImgB)????

????cv2.imshow("histImgG",?histImgG)????

????cv2.imshow("histImgR",?histImgR)????

????cv2.imshow("Img",?img)????

????cv2.waitKey(0)????

????cv2.destroyAllWindows()???

這樣就能得到三個(gè)通道的直方圖了，如下：

更進(jìn)一步

這樣做有點(diǎn)繁瑣，參考abid rahman的做法，無(wú)需分離通道，用折線來(lái)描繪直方圖的邊界可在一副圖中同時(shí)繪制三個(gè)通道的直方圖。方法如下：

[python]?view plaincopy

#coding=utf-8????

import?cv2????

import?numpy?as?np????

?????????

img?=?cv2.imread('D:/lena.jpg')????

h?=?np.zeros((256,256,3))?#創(chuàng)建用于繪制直方圖的全0圖像????

?????????

bins?=?np.arange(256).reshape(256,1)?#直方圖中各bin的頂點(diǎn)位置????

color?=?[?(255,0,0),(0,255,0),(0,0,255)?]?#BGR三種顏色????

for?ch,?col?in?enumerate(color):????

????originHist?=?cv2.calcHist([img],[ch],None,[256],[0,256])????

????cv2.normalize(originHist,?originHist,0,255*0.9,cv2.NORM_MINMAX)????

????hist=np.int32(np.around(originHist))????

????pts?=?np.column_stack((bins,hist))????

????cv2.polylines(h,[pts],False,col)????

?????????

h=np.flipud(h)????

?????????

cv2.imshow('colorhist',h)????

cv2.waitKey(0)????

結(jié)果如下圖所示：

代碼說(shuō)明：

這里的for循環(huán)是對(duì)三個(gè)通道遍歷一次，每次繪制相應(yīng)通道的直方圖的折線。for循環(huán)的第一行是計(jì)算對(duì)應(yīng)通道的直方圖，經(jīng)過(guò)上面的介紹，應(yīng)該很容易就能明白。

這里所不同的是沒(méi)有手動(dòng)的計(jì)算直方圖的最大值再乘以一個(gè)系數(shù)，而是直接調(diào)用了OpenCV的歸一化函數(shù)。該函數(shù)將直方圖的范圍限定在0-255×0.9之間，與之前的一樣。下面的hist= np.int32(np.around(originHist))先將生成的原始直方圖中的每個(gè)元素四舍六入五湊偶取整（cv2.calcHist函數(shù)得到的是float32類型的數(shù)組），接著將整數(shù)部分轉(zhuǎn)成np.int32類型。即61.123先轉(zhuǎn)成61.0，再轉(zhuǎn)成61。注意，這里必須使用np.int32(...)進(jìn)行轉(zhuǎn)換，numpy的轉(zhuǎn)換函數(shù)可以對(duì)數(shù)組中的每個(gè)元素都進(jìn)行轉(zhuǎn)換，而Python的int(...)只能轉(zhuǎn)換一個(gè)元素，如果使用int(...)，將導(dǎo)致only length-1 arrays can be converted to Python scalars錯(cuò)誤。

下面的pts = np.column_stack((bins,hist))是將直方圖中每個(gè)bin的值轉(zhuǎn)成相應(yīng)的坐標(biāo)。比如hist[0] =3，...，hist[126] = 178，...，hist[255] = 5；而bins的值為[[0],[1],[2]...,[255]]。使用np.column_stack將其組合成[0, 3]、[126, 178]、[255, 5]這樣的坐標(biāo)作為元素組成的數(shù)組。

最后使用cv2.polylines函數(shù)根據(jù)這些點(diǎn)繪制出折線，第三個(gè)False參數(shù)指出這個(gè)折線不需要閉合。第四個(gè)參數(shù)指定了折線的顏色。

當(dāng)所有完成后，別忘了用h = np.flipud(h)反轉(zhuǎn)繪制好的直方圖，因?yàn)槔L制時(shí)，[0,0]在圖像的左上角。這在直方圖可視化一節(jié)中有說(shuō)明。

NumPy版的直方圖計(jì)算

在查閱abid rahman的資料時(shí)，發(fā)現(xiàn)他用NumPy的直方圖計(jì)算函數(shù)np.histogram也實(shí)現(xiàn)了相同的效果。如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np??

??

img?=?cv2.imread('D:/lena.jpg')??

h?=?np.zeros((300,256,3))??

bins?=?np.arange(257)??

bin?=?bins[0:-1]??

color?=?[?(255,0,0),(0,255,0),(0,0,255)?]??

??

for?ch,col?in?enumerate(color):??

????item?=?img[:,:,ch]??

????N,bins?=?np.histogram(item,bins)??

????v=N.max()??

????N?=?np.int32(np.around((N*255)/v))??

????N=N.reshape(256,1)??

????pts?=?np.column_stack((bin,N))??

????cv2.polylines(h,[pts],False,col)??

??

h=np.flipud(h)??

??

cv2.imshow('img',h)??

cv2.waitKey(0)??

效果圖和上面的一個(gè)相同。NumPy的histogram函數(shù)將在NumPy通用函數(shù)這篇博文中介紹，這里就不詳細(xì)解釋了。這里采用的是與一開(kāi)始相同的比例系數(shù)的方法，參考本文的第二節(jié)。

另外，通過(guò)NumPy和matplotlib可以更方便的繪制出直方圖，下面的代碼供大家參考，如果有機(jī)會(huì)，再寫的專門介紹matplotlib的文章。

[python]?view plaincopy

import?matplotlib.pyplot?as?plt??

import?numpy?as?np??

import?cv2??

??

img?=?cv2.imread('D:/lena.jpg')??

bins?=?np.arange(257)??

??

item?=?img[:,:,1]??

hist,bins?=?np.histogram(item,bins)??

width?=?0.7*(bins[1]-bins[0])??

center?=?(bins[:-1]+bins[1:])/2??

plt.bar(center,?hist,?align?=?'center',?width?=?width)??

plt.show()??

這里顯示的是綠色通道的直方圖。

OpenCV-Python教程（4、形態(tài)學(xué)處理）

提示：

• 轉(zhuǎn)載請(qǐng)?jiān)敿?xì)注明原作者及出處，謝謝！
  
• 本文介紹使用OpenCV-Python進(jìn)行形態(tài)學(xué)處理
• 本文不介紹形態(tài)學(xué)處理的基本概念，所以讀者需要預(yù)先對(duì)其有一定的了解。

定義結(jié)構(gòu)元素

形態(tài)學(xué)處理的核心就是定義結(jié)構(gòu)元素，在OpenCV-Python中，可以使用其自帶的getStructuringElement函數(shù)，也可以直接使用NumPy的ndarray來(lái)定義一個(gè)結(jié)構(gòu)元素。首先來(lái)看用getStructuringElement函數(shù)定義一個(gè)結(jié)構(gòu)元素：

[python]?view plaincopy

element?=?cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))??

這就定義了一個(gè)5×5的十字形結(jié)構(gòu)元素，如下：

也可以用NumPy來(lái)定義結(jié)構(gòu)元素，如下：

[python]?view plaincopy

NpKernel?=?np.uint8(np.zeros((5,5)))??

for?i?in?range(5):??

????NpKernel[2,?i]?=?1?#感謝chenpingjun1990的提醒，現(xiàn)在是正確的??

????NpKernel[i,?2]?=?1??

這兩者方式定義的結(jié)構(gòu)元素完全一樣： [python]?view plaincopy

[[0?0?1?0?0]??

?[0?0?1?0?0]??

?[1?1?1?1?1]??

?[0?0?1?0?0]??

?[0?0?1?0?0]]??

這里可以看出，用OpenCV-Python內(nèi)置的常量定義橢圓（MORPH_ELLIPSE）和十字形結(jié)構(gòu)（MORPH_CROSS）元素要簡(jiǎn)單一些，如果定義矩形（MORPH_RECT）和自定義結(jié)構(gòu)元素，則兩者差不多。

本篇文章將用參考資料1中的相關(guān)章節(jié)的圖片做測(cè)試：

腐蝕和膨脹

下面先以腐蝕圖像為例子介紹如何使用結(jié)構(gòu)元素：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np??

???

img?=?cv2.imread('D:/binary.bmp',0)??

#OpenCV定義的結(jié)構(gòu)元素??

kernel?=?cv2.getStructuringElement(cv2.MORPH_RECT,(3,?3))??

??

#腐蝕圖像??

eroded?=?cv2.erode(img,kernel)??

#顯示腐蝕后的圖像??

cv2.imshow("Eroded?Image",eroded);??

??

#膨脹圖像??

dilated?=?cv2.dilate(img,kernel)??

#顯示膨脹后的圖像??

cv2.imshow("Dilated?Image",dilated);??

#原圖像??

cv2.imshow("Origin",?img)??

??

#NumPy定義的結(jié)構(gòu)元素??

NpKernel?=?np.uint8(np.ones((3,3)))??

Nperoded?=?cv2.erode(img,NpKernel)??

#顯示腐蝕后的圖像??

cv2.imshow("Eroded?by?NumPy?kernel",Nperoded);??

??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

如上所示，腐蝕和膨脹的處理很簡(jiǎn)單，只需設(shè)置好結(jié)構(gòu)元素，然后分別調(diào)用cv2.erode(...)和cv2.dilate(...)函數(shù)即可，其中第一個(gè)參數(shù)是需要處理的圖像，第二個(gè)是結(jié)構(gòu)元素。返回處理好的圖像。

結(jié)果如下：

開(kāi)運(yùn)算和閉運(yùn)算

了解形態(tài)學(xué)基本處理的同學(xué)都知道，開(kāi)運(yùn)算和閉運(yùn)算就是將腐蝕和膨脹按照一定的次序進(jìn)行處理。但這兩者并不是可逆的，即先開(kāi)后閉并不能得到原先的圖像。代碼示例如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np??

???

img?=?cv2.imread('D:/binary.bmp',0)??

#定義結(jié)構(gòu)元素??

kernel?=?cv2.getStructuringElement(cv2.MORPH_RECT,(5,?5))??

??

#閉運(yùn)算??

closed?=?cv2.morphologyEx(img,?cv2.MORPH_CLOSE,?kernel)??

#顯示腐蝕后的圖像??

cv2.imshow("Close",closed);??

??

#開(kāi)運(yùn)算??

opened?=?cv2.morphologyEx(img,?cv2.MORPH_OPEN,?kernel)??

#顯示腐蝕后的圖像??

cv2.imshow("Open",?opened);??

??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

閉運(yùn)算用來(lái)連接被誤分為許多小塊的對(duì)象，而開(kāi)運(yùn)算用于移除由圖像噪音形成的斑點(diǎn)。因此，某些情況下可以連續(xù)運(yùn)用這兩種運(yùn)算。如對(duì)一副二值圖連續(xù)使用閉運(yùn)算和開(kāi)運(yùn)算，將獲得圖像中的主要對(duì)象。同樣，如果想消除圖像中的噪聲（即圖像中的“小點(diǎn)”），也可以對(duì)圖像先用開(kāi)運(yùn)算后用閉運(yùn)算，不過(guò)這樣也會(huì)消除一些破碎的對(duì)象。

對(duì)原始圖像進(jìn)行開(kāi)運(yùn)算和閉運(yùn)算的結(jié)果如下：

用形態(tài)學(xué)運(yùn)算檢測(cè)邊和角點(diǎn)

這里通過(guò)一個(gè)較復(fù)雜的例子介紹如何用形態(tài)學(xué)算子檢測(cè)圖像中的邊緣和拐角（這里只是作為介紹形態(tài)學(xué)處理例子，實(shí)際使用時(shí)請(qǐng)用Canny或Harris等算法）。

檢測(cè)邊緣

形態(tài)學(xué)檢測(cè)邊緣的原理很簡(jiǎn)單，在膨脹時(shí)，圖像中的物體會(huì)想周圍“擴(kuò)張”；腐蝕時(shí)，圖像中的物體會(huì)“收縮”。比較這兩幅圖像，由于其變化的區(qū)域只發(fā)生在邊緣。所以這時(shí)將兩幅圖像相減，得到的就是圖像中物體的邊緣。這里用的依然是參考資料1中相關(guān)章節(jié)的圖片：

代碼如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy??

??

image?=?cv2.imread("D:/building.jpg",0);??

#構(gòu)造一個(gè)3×3的結(jié)構(gòu)元素???

element?=?cv2.getStructuringElement(cv2.MORPH_RECT,(3,?3))??

dilate?=?cv2.dilate(image,?element)??

erode?=?cv2.erode(image,?element)??

??

#將兩幅圖像相減獲得邊，第一個(gè)參數(shù)是膨脹后的圖像，第二個(gè)參數(shù)是腐蝕后的圖像??

result?=?cv2.absdiff(dilate,erode);??

??

#上面得到的結(jié)果是灰度圖，將其二值化以便更清楚的觀察結(jié)果??

retval,?result?=?cv2.threshold(result,?40,?255,?cv2.THRESH_BINARY);???

#反色，即對(duì)二值圖每個(gè)像素取反??

result?=?cv2.bitwise_not(result);???

#顯示圖像??

cv2.imshow("result",result);???

cv2.waitKey(0)??

cv2.destroyAllWindows()??

處理結(jié)果如下：

檢測(cè)拐角

與邊緣檢測(cè)不同，拐角的檢測(cè)的過(guò)程稍稍有些復(fù)雜。但原理相同，所不同的是先用十字形的結(jié)構(gòu)元素膨脹像素，這種情況下只會(huì)在邊緣處“擴(kuò)張”，角點(diǎn)不發(fā)生變化。接著用菱形的結(jié)構(gòu)元素腐蝕原圖像，導(dǎo)致只有在拐角處才會(huì)“收縮”，而直線邊緣都未發(fā)生變化。

第二步是用X形膨脹原圖像，角點(diǎn)膨脹的比邊要多。這樣第二次用方塊腐蝕時(shí)，角點(diǎn)恢復(fù)原狀，而邊要腐蝕的更多。所以當(dāng)兩幅圖像相減時(shí)，只保留了拐角處。示意圖如下（示意圖來(lái)自參考資料1）：

代碼如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

??

image?=?cv2.imread("D:/building.jpg",?0)??

origin?=?cv2.imread("D:/building.jpg")??

#構(gòu)造5×5的結(jié)構(gòu)元素，分別為十字形、菱形、方形和X型??

cross?=?cv2.getStructuringElement(cv2.MORPH_CROSS,(5,?5))??

#菱形結(jié)構(gòu)元素的定義稍麻煩一些??

diamond?=?cv2.getStructuringElement(cv2.MORPH_RECT,(5,?5))??

diamond[0,?0]?=?0??

diamond[0,?1]?=?0??

diamond[1,?0]?=?0??

diamond[4,?4]?=?0??

diamond[4,?3]?=?0??

diamond[3,?4]?=?0??

diamond[4,?0]?=?0??

diamond[4,?1]?=?0??

diamond[3,?0]?=?0??

diamond[0,?3]?=?0??

diamond[0,?4]?=?0??

diamond[1,?4]?=?0??

square?=?cv2.getStructuringElement(cv2.MORPH_RECT,(5,?5))??

x?=?cv2.getStructuringElement(cv2.MORPH_CROSS,(5,?5))??

#使用cross膨脹圖像??

result1?=?cv2.dilate(image,cross)??

#使用菱形腐蝕圖像??

result1?=?cv2.erode(result1,?diamond)??

??

#使用X膨脹原圖像???

result2?=?cv2.dilate(image,?x)??

#使用方形腐蝕圖像???

result2?=?cv2.erode(result2,square)??

??

#result?=?result1.copy()??

#將兩幅閉運(yùn)算的圖像相減獲得角???

result?=?cv2.absdiff(result2,?result1)??

#使用閾值獲得二值圖??

retval,?result?=?cv2.threshold(result,?40,?255,?cv2.THRESH_BINARY)??

??

#在原圖上用半徑為5的圓圈將點(diǎn)標(biāo)出。??

for?j?in?range(result.size):??

????y?=?j?/?result.shape[0]???

????x?=?j?%?result.shape[0]???

??

????if?result[x,?y]?==?255:??

????????cv2.circle(image,?(y,?x),?5,?(255,0,0))??

??

cv2.imshow("Result",?image)??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

注意，由于封裝的緣故，OpenCV中函數(shù)參數(shù)中使用的坐標(biāo)系和NumPy的ndarray的坐標(biāo)系是不同的，在46行可以看出來(lái)。 抽空我向OpenCV郵件列表提一下，看我的理解是不是正確的。

大家可以驗(yàn)證一下，比如在代碼中插入這兩行代碼，就能知道結(jié)果了：

[python]?view plaincopy

cv2.circle(image,?(5,?10),?5,?(255,0,0))??

image[5,?10]?=?0??

通過(guò)上面的代碼就能檢測(cè)到圖像中的拐角并標(biāo)出來(lái)，效果圖如下：

當(dāng)然，這只是個(gè)形態(tài)學(xué)處理示例，檢測(cè)結(jié)果并不好。

未完待續(xù)...

在將來(lái)的某一篇文章中將做個(gè)總結(jié)，介紹下OpenCV中常用的函數(shù)，如threshold、bitwise_xxx，以及繪制函數(shù)等。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

如果覺(jué)得本文寫的還可以的話，請(qǐng)輕點(diǎn)“頂”，方便讀者、以及您的支持是我寫下去的最大的兩個(gè)動(dòng)力。

OpenCV-Python教程（5、初級(jí)濾波內(nèi)容）

本篇文章介紹如何用OpenCV-Python來(lái)實(shí)現(xiàn)初級(jí)濾波功能。

提示：

• 轉(zhuǎn)載請(qǐng)?jiān)敿?xì)注明原作者及出處，謝謝！
  
• 本文介紹使用OpenCV-Python實(shí)現(xiàn)基本的濾波處理
• 本文不介紹濾波處理的詳細(xì)概念，所以讀者需要預(yù)先對(duì)其有一定的了解。

簡(jiǎn)介

過(guò)濾是信號(hào)和圖像處理中基本的任務(wù)。其目的是根據(jù)應(yīng)用環(huán)境的不同，選擇性的提取圖像中某些認(rèn)為是重要的信息。過(guò)濾可以移除圖像中的噪音、提取感興趣的可視特征、允許圖像重采樣，等等。其源自于一般的信號(hào)和系統(tǒng)理論，這里將不介紹該理論的細(xì)節(jié)。但本章會(huì)介紹關(guān)于過(guò)濾的基本概念，以及如何在圖像處理程序中使用濾波器。首先，簡(jiǎn)要介紹下頻率域分析的概念。

當(dāng)我們觀察一張圖片時(shí)，我們觀察的是圖像中有多少灰度級(jí)（或顏色）及其分布。根據(jù)灰度分布的不同來(lái)區(qū)分不同的圖像。但還有其他方面可以對(duì)圖像進(jìn)行分析。我們可以觀察圖像中灰度的變化。某些圖像中包含大量的強(qiáng)度不變的區(qū)域（如藍(lán)天），而在其他圖像中的灰度變化可能會(huì)非常快（如包含許多小物體的擁擠的圖像）。因此，觀察圖像中這些變化的頻率就構(gòu)成了另一條分類圖像的方法。這個(gè)觀點(diǎn)稱為頻域。而通過(guò)觀察圖像灰度分布來(lái)分類圖像稱為空間域。

頻域分析將圖像分成從低頻到高頻的不同部分。低頻對(duì)應(yīng)圖像強(qiáng)度變化小的區(qū)域，而高頻是圖像強(qiáng)度變化非常大的區(qū)域。目前已存在若干轉(zhuǎn)換方法，如傅立葉變換或余弦變換，可以用來(lái)清晰的顯示圖像的頻率內(nèi)容。注意，由于圖像是一個(gè)二維實(shí)體，所以其由水平頻率（水平方向的變化）和豎直頻率（豎直方向的變化）共同組成。

在頻率分析領(lǐng)域的框架中，濾波器是一個(gè)用來(lái)增強(qiáng)圖像中某個(gè)波段或頻率并阻塞（或降低）其他頻率波段的操作。低通濾波器是消除圖像中高頻部分，但保留低頻部分。高通濾波器消除低頻部分

本篇文章介紹在OpenCV-Python中實(shí)現(xiàn)的初級(jí)的濾波操作，下一篇文章介紹更加復(fù)雜的濾波原理及其實(shí)現(xiàn)。

本篇文章使用傳統(tǒng)的lena作為實(shí)驗(yàn)圖像。

用低通濾波來(lái)平滑圖像

低通濾波器的目標(biāo)是降低圖像的變化率。如將每個(gè)像素替換為該像素周圍像素的均值。這樣就可以平滑并替代那些強(qiáng)度變化明顯的區(qū)域。在OpenCV中，可以通過(guò)blur函數(shù)做到這一點(diǎn)：

[python]?view plaincopy

dst?=?cv2.blur(image,(5,5));???

其中dst是blur處理后返回的圖像，參數(shù)一是輸入的待處理圖像，參數(shù)2是低通濾波器的大小。其后含有幾個(gè)可選參數(shù)，用來(lái)設(shè)置濾波器的細(xì)節(jié)，具體可查閱參考資料2。不過(guò)這里，這樣就夠了。下面是一個(gè)簡(jiǎn)單的示例代碼：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

??

img?=?cv2.imread("D:/lena.jpg",?0)??

result?=?cv2.blur(img,?(5,5))??

??

cv2.imshow("Origin",?img)??

cv2.imshow("Blur",?result)??

??

cv2.waitKey(0)??

cv2.destroyAllWindows()??

結(jié)果如下，左邊是平滑過(guò)的圖像，右邊是原圖像：

這種濾波器又稱為boxfilter（注，這與化學(xué)上的箱式過(guò)濾器是兩碼事，所以這里就不翻譯了）。所以也可通過(guò)OpenCV的cv2.bofxfilter(...)函數(shù)來(lái)完成相同的工作。如下：

[python]?view plaincopy

result1?=?cv2.boxFilter(img,?-1,?(5,?5))??

這行代碼與上面使用blur函數(shù)的效果完全相同。其中第二個(gè)參數(shù)的-1表示輸出圖像使用的深度與輸入圖像相同。后面還有幾個(gè)可選參數(shù)，具體可查閱OpenCV文檔。

高斯模糊

在某些情況下，需要對(duì)一個(gè)像素的周圍的像素給予更多的重視。因此，可通過(guò)分配權(quán)重來(lái)重新計(jì)算這些周圍點(diǎn)的值。這可通過(guò)高斯函數(shù)（鐘形函數(shù)，即喇叭形數(shù)）的權(quán)重方案來(lái)解決。cv::GaussianBlur函數(shù)可作為濾波器用下面的方法調(diào)用：

[python]?view plaincopy

gaussianResult?=?cv2.GaussianBlur(img,(5,5),1.5)??

區(qū)別

低通濾波與高斯濾波的不同之處在于：低通濾波中，濾波器中每個(gè)像素的權(quán)重是相同的，即濾波器是線性的。而高斯濾波器中像素的權(quán)重與其距中心像素的距離成比例。關(guān)于高斯模糊的詳細(xì)內(nèi)容，抽空將寫一篇獨(dú)立的文章介紹。

使用中值濾波消除噪點(diǎn)

前面介紹的是線性過(guò)濾器，這里介紹非線性過(guò)濾器——中值濾波器。由于中值濾波器對(duì)消除椒鹽現(xiàn)象特別有用。所以我們使用第二篇教程中椒鹽函數(shù)先對(duì)圖像進(jìn)行處理，將處理結(jié)果作為示例圖片。

調(diào)用中值濾波器的方法與調(diào)用其他濾波器的方法類似，如下：

[python]?view plaincopy

result?=?cv2.medianBlur(image,5)??

函數(shù)返回處理結(jié)果，第一個(gè)參數(shù)是待處理圖像，第二個(gè)參數(shù)是孔徑的尺寸，一個(gè)大于1的奇數(shù)。比如這里是5，中值濾波器就會(huì)使用5×5的范圍來(lái)計(jì)算。即對(duì)像素的中心值及其5×5鄰域組成了一個(gè)數(shù)值集，對(duì)其進(jìn)行處理計(jì)算，當(dāng)前像素被其中值替換掉。

如果在某個(gè)像素周圍有白色或黑色的像素，這些白色或黑色的像素不會(huì)選擇作為中值（最大或最小值不用），而是被替換為鄰域值。代碼如下：

[python]?view plaincopy

#coding=utf-8??

import?cv2??

import?numpy?as?np????

????

def?salt(img,?n):????

????for?k?in?range(n):????

????????i?=?int(np.random.random()?*?img.shape[1]);????

????????j?=?int(np.random.random()?*?img.shape[0]);????

????????if?img.ndim?==?2:?????

????????????img[j,i]?=?255????

????????elif?img.ndim?==?3:?????

????????????img[j,i,0]=?255????

????????????img[j,i,1]=?255????

????????????img[j,i,2]=?255????

????return?img???

??

img?=?cv2.imread("D:/lena.jpg",?0)??

result?=?salt(img,?500)??

median?=?cv2.medianBlur(result,?5)??

??

??

cv2.imshow("Salt",?result)??

cv2.imshow("Median",?median)??

??

cv2.waitKey(0)??

處理結(jié)果如下：

由于中值濾波不會(huì)處理最大和最小值，所以就不會(huì)受到噪聲的影響。相反，如果直接采用blur進(jìn)行均值濾波，則不會(huì)區(qū)分這些噪聲點(diǎn)，濾波后的圖像會(huì)受到噪聲的影響。

中值濾波器在處理邊緣也有優(yōu)勢(shì)。但中值濾波器會(huì)清除掉某些區(qū)域的紋理（如背景中的樹(shù)）。

其他

由于方向?yàn)V波器與這里的原理有較大的出入，所以將用獨(dú)立的一篇文章中介紹其原理以及實(shí)現(xiàn)。

參考資料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

from: http://blog.csdn.net/sunny2038/article/category/904451

總結(jié)

以上是生活随笔為你收集整理的OpenCV Python教程（3）（4）（5）： 直方图的计算与显示 形态学处理 初级滤波内的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。