數(shù)字圖像處理的圖像操作
圖像操作在計算機視覺和圖像處理中發(fā)揮著至關(guān)重要的作用。這些操作對于諸如預(yù)處理、增強圖像質(zhì)量和啟用高級算法等任務(wù)至關(guān)重要。在計算機視覺中，諸如調(diào)整大小、裁剪、調(diào)整亮度/對比度/伽瑪和幾何變換等操作是基礎(chǔ)的。它們允許進行高效的計算、提取感興趣區(qū)域、規(guī)范化圖像強度和幾何校準(zhǔn)。同樣，在圖像處理中，這些操作對于降采樣、裁剪不需要的區(qū)域、增強可見性和質(zhì)量以及執(zhí)行幾何操作都至關(guān)重要。
調(diào)整大小
在各種場景中，調(diào)整圖像大小是常見的，可以實現(xiàn)不同的目的，例如將圖像適應(yīng)特定尺寸或減小文件大小。圖像插值和重采樣是圖像處理和計算機視覺中用于調(diào)整圖像大小或比例的技術(shù)。
圖像插值
圖像插值是指根據(jù)已知像素值在圖像內(nèi)未知位置上估算像素值的過程。不同的插值方法使用不同的方式來估算未知像素的值。
最近鄰插值將未知像素位置的值分配為最近的已知像素值。這種方法簡單但可能導(dǎo)致出現(xiàn)塊狀偽影和丟失細節(jié)。
最近鄰插值
雙線性插值考慮了四個最近的已知像素的值，并計算加權(quán)平均來估算未知像素的值。與最近鄰插值相比，它產(chǎn)生更平滑的結(jié)果，但仍可能引入一些模糊。
雙三次插值通過考慮更多的相鄰像素并使用三次多項式來估算像素值，擴展了雙線性插值。這種方法可以提供更高質(zhì)量的結(jié)果，具有更平滑的過渡和更好的保留圖像細節(jié)。
import cv2
import numpy as np
def resize_image(image, scale, interpolation):
width = int(image.shape[1] * scale)
height = int(image.shape[0] * scale)
resized_image = cv2.resize(image, (width, height), interpolation=interpolation)
return resized_image
SCALE = 4
# Load the image
image_path = "image.png"
image = cv2.imread(image_path)
# Resize the image using nearest neighbor interpolation
nearest_neighbor_resized = resize_image(image, scale=SCALE, interpolation=cv2.INTER_NEAREST)
# Resize the image using bilinear interpolation
bilinear_resized = resize_image(image, scale=SCALE, interpolation=cv2.INTER_LINEAR)
# Resize the image using bicubic interpolation
bicubic_resized = resize_image(image, scale=SCALE, interpolation=cv2.INTER_CUBIC)
裁剪
裁剪圖像的目的是去除不需要的內(nèi)容或聚焦于特定的感興趣區(qū)域。裁剪使您能夠優(yōu)化構(gòu)圖，消除干擾，并突出圖像中的重要元素。去除不必要或無關(guān)的部分可以創(chuàng)造出視覺上吸引人且具有影響力的圖像，有效地傳達預(yù)期的信息或主題。
可以使用不同的方法來確定裁剪區(qū)域：
- 手動選擇：手動裁剪涉及對圖像進行視覺檢查并選擇要保留的所需區(qū)域。這種方法提供了靈活性，并允許基于攝影師或設(shè)計師的藝術(shù)判斷做主觀決定。
- 目標(biāo)檢測：基于目標(biāo)檢測算法的自動裁剪技術(shù)可以識別并提取圖像中的特定對象或主題。這些算法分析圖像并根據(jù)預(yù)定義的模式或經(jīng)過訓(xùn)練的模型定位對象。檢測到的對象可以作為裁剪區(qū)域，確保保留重要元素同時去除無關(guān)的背景或周圍區(qū)域。
- 分割：可以使用圖像分割技術(shù)，如語義分割或?qū)嵗指?，將圖像分成有意義的區(qū)域。這些技術(shù)為不同的對象或區(qū)域分配標(biāo)簽或掩碼，使得可以裁剪特定的部分或隔離感興趣的特定區(qū)域。
import cv2
def crop_image(image, x, y, width, height):
cropped_image = image[y:y+height, x:x+width]
return cropped_image
# Example usage
image = cv2.imread("cath.jpeg")
cropped_image = crop_image(image, x=400, y=500, width=300, height=200)
cv2.imshow("Cropped Image", cropped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()調(diào)整
亮度和對比度：
調(diào)整亮度和對比度對于增強圖像的可見性和提高視覺吸引力至關(guān)重要。調(diào)整亮度可以使圖像看起來更明亮或更暗，突顯曝光不足或曝光過度的區(qū)域的細節(jié)。對比度調(diào)整增強了光亮和陰暗區(qū)域之間的區(qū)別，使圖像顯得更清晰和更動態(tài)。
通過控制亮度和對比度，您可以提高圖像的整體質(zhì)量和可讀性，確保重要的特征能夠清晰可辨。
import cv2
import numpy as np
image_path = "cath.jpeg"
def adjust_brightness(image, value):
# Convert the image to the HSV color space
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# Split the channels
h, s, v = cv2.split(hsv)
# Apply the brightness adjustment
v = cv2.add(v, value)
# Clamp the values to the valid range of 0-255
v = np.clip(v, 0, 255)
# Merge the channels back together
hsv = cv2.merge((h, s, v))
# Convert the image back to the BGR color space
adjusted_image = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
return adjusted_image
def adjust_contrast(image, value):
# Convert the image to the LAB color space
lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
# Split the channels
l, a, b = cv2.split(lab)
# Apply the contrast adjustment
l = cv2.multiply(l, value)
# Clamp the values to the valid range of 0-255
l = np.clip(l, 0, 255)
# Merge the channels back together
lab = cv2.merge((l, a, b))
# Convert the image back to the BGR color space
adjusted_image = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)
return adjusted_image
# Load the image
image = cv2.imread(image_path)
# Adjust the brightness
brightness_adjusted = adjust_brightness(image, value=50)
# Adjust the contrast
contrast_adjusted = adjust_contrast(image, value=2)
# Display the original and adjusted images
cv2.imshow("Original", image)
cv2.imshow("Brightness Adjusted", brightness_adjusted)
cv2.imshow("Contrast Adjusted", contrast_adjusted)
cv2.waitKey(0)
cv2.destroyAllWindows()
直方圖均衡化
直方圖均衡化是一種用于增強對比度的技術(shù)。它通過重新分配像素強度值以涵蓋更廣范圍的值來實現(xiàn)這一目標(biāo)。其主要目標(biāo)是通過圖像獲得像素強度的更均勻分布。
通過重新分配像素強度，直方圖均衡化增強了圖像的對比度。
import cv2
import matplotlib.pyplot as plt
image_path = "cath.jpeg"
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# Apply histogram equalization
equalized_image = cv2.equalizeHist(image)
# Calculate histograms
hist_original = cv2.calcHist([image], [0], None, [256], [0, 256])
hist_equalized = cv2.calcHist([equalized_image], [0], None, [256], [0, 256])
# Plot the histograms
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(hist_original, color='b')
plt.title("Original Image Histogram")
plt.xlabel("Pixel Intensity")
plt.ylabel("Frequency")
plt.subplot(1, 2, 2)
plt.plot(hist_equalized, color='r')
plt.title("Equalized Image Histogram")
plt.xlabel("Pixel Intensity")
plt.ylabel("Frequency")
plt.tight_layout()
plt.show()
直方圖
# Display the original and equalized images
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
axes[0].imshow(image, cmap='gray')
axes[0].set_title("Original")
axes[0].axis("off")
axes[1].imshow(equalized_image, cmap='gray')
axes[1].set_title("Equalized")
axes[1].axis("off")
plt.tight_layout()
plt.show()
均衡化圖像
線性縮放
線性縮放，也稱為對比度拉伸，用于通過線性映射原始像素值到一個新范圍來調(diào)整圖像的亮度和對比度。該過程涉及根據(jù)圖像中的最小值和最大值重新縮放像素值，以利用完整的動態(tài)范圍。
線性縮放允許對亮度和對比度的調(diào)整進行精確控制。您可以根據(jù)特定要求定義所需的強度范圍。
import cv2
import numpy as np
import matplotlib.pyplot as plt
# Load the image
image_path = "cath.jpeg"
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# Calculate the minimum and maximum pixel values in the image
min_value = np.min(image)
max_value = np.max(image)
# Define the desired minimum and maximum intensity values for the output image
new_min = 5
new_max = 10
# Perform linear scaling
scaled_image = cv2.convertScaleAbs(image, alpha=(new_max - new_min) / (max_value - min_value),
beta=new_min - min_value * (new_max - new_min) / (max_value - min_value))
# Display the original and scaled images
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
axes[0].imshow(cv2.cvtColor(image, cv2.COLOR_GRAY2RGB))
axes[0].set_title("Original")
axes[0].axis("off")
axes[1].imshow(scaled_image, cmap='gray')
axes[1].set_title("Scaled")
axes[1].axis("off")
plt.tight_layout()
plt.show()
線性縮放
伽馬校正
伽馬校正是一種用于糾正圖像輸入像素值與顯示輸出強度之間的非線性強度關(guān)系的技術(shù)。它考慮到人類視覺系統(tǒng)對光的非線性響應(yīng)，并旨在實現(xiàn)更準(zhǔn)確和感知一致的圖像表示。
相機捕捉或存儲在圖像文件中的像素值與人類感知亮度之間的關(guān)系是非線性的。換句話說，像素值的線性增加并不導(dǎo)致感知亮度的線性增加。這種非線性關(guān)系是由于成像傳感器和人類視覺系統(tǒng)的響應(yīng)特性導(dǎo)致的。
伽馬校正基于一個稱為伽馬（γ）的參數(shù)。伽馬值表示輸入像素值和顯示輸出強度之間的關(guān)系。它是兩者之間非線性映射的度量。
伽馬校正對像素值應(yīng)用冪律變換，調(diào)整強度值以校正非線性響應(yīng)。伽馬校正的公式如下：
校正值 = 輸入值 ^ (1 / 伽馬)
這里，輸入值代表原始像素值，校正值代表調(diào)整后的像素值。
伽馬校正的主要作用是補償非線性強度關(guān)系，確保圖像中的顏色和細節(jié)得到準(zhǔn)確的表示。伽馬校正發(fā)揮重要作用的方式如下：
- 亮度補償：伽馬校正有助于彌補捕捉和顯示設(shè)備之間亮度響應(yīng)的差異。它確保顯示圖像中的感知亮度水平與原始場景一致。
- 對比度增強：伽馬校正可以通過重新分配色調(diào)值來增強圖像的對比度。根據(jù)伽馬值的不同，它可以有效地強調(diào)圖像的暗區(qū)域或亮區(qū)域中的細節(jié)。
- 色彩準(zhǔn)確性：伽馬校正有助于實現(xiàn)準(zhǔn)確的顏色表示。通過調(diào)整伽馬值，可以改善顏色再現(xiàn)，確保顏色看起來更自然且忠實于原始場景。
- 色調(diào)映射：在高動態(tài)范圍（HDR）成像中，伽馬校正常常作為色調(diào)映射技術(shù)的一部分，將場景的廣泛動態(tài)范圍映射到顯示設(shè)備的有限動態(tài)范圍。伽馬校正有助于保持陰影和高光區(qū)域的細節(jié)，防止信息丟失。
- 感知一致性：伽馬校正旨在實現(xiàn)感知上一致的圖像，其中顯示的強度與人類視覺感知一致。通過校正非線性響應(yīng)，伽馬校正確保圖像對觀眾呈現(xiàn)出視覺上愉悅和逼真的效果。
import cv2
import numpy as np
image_path = "cath.jpeg"
def adjust_gamma(image, gamma):
# Build a lookup table mapping the input pixel values to the corrected gamma values
lookup_table = np.array([((i / 255.0) ** gamma) * 255 for i in np.arange(0, 256)]).astype(np.uint8)
# Apply gamma correction using the lookup table
gamma_corrected = cv2.LUT(image, lookup_table)
return gamma_corrected
# Load the image
image = cv2.imread(image_path)
# Adjust the gamma value
gamma_value = 1.5
gamma_corrected = adjust_gamma(image, gamma_value)
# Display the original and gamma-corrected images
cv2.imshow("Original", image)
cv2.imshow("Gamma Corrected", gamma_corrected)
cv2.waitKey(0)
cv2.destroyAllWindows()
伽馬校正
幾何變換
幾何變換使圖像的透視、方向和空間關(guān)系發(fā)生變化。這些變換為圖像對齊、目標(biāo)檢測、圖像注冊等任務(wù)提供了基本工具。
(1) 平移
平移是一種基本的幾何變換，涉及將圖像水平或垂直移動指定的距離。
import cv2
import numpy as np
image_path = "cath.jpeg"
image = cv2.imread(image_path)
# Define the translation matrix
tx = 100 # pixels to shift in the x-axis
ty = 50 # pixels to shift in the y-axis
translation_matrix = np.float32([[1, 0, tx], [0, 1, ty]])
# Apply translation
translated_image = cv2.warpAffine(image, translation_matrix, (image.shape[1], image.shape[0]))
# Display the original and translated images
cv2.imshow("Original", image)
cv2.imshow("Translated", translated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
平移
(2) 縮放
縮放是指調(diào)整圖像的大小，可以通過對所有維度應(yīng)用統(tǒng)一的縮放因子，或者使用不同的縮放因子來調(diào)整不同的維度。已縮放。
# Define the scaling factors
scale_x = 1.5 # scaling factor for the x-axis
scale_y = 0.8 # scaling factor for the y-axis
# Apply scaling
scaled_image = cv2.resize(image, None, fx=scale_x, fy=scale_y, interpolation=cv2.INTER_LINEAR)
# Display the original and scaled images
cv2.imshow("Original", image)
cv2.imshow("Scaled", scaled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
縮放
(3) 旋轉(zhuǎn)
旋轉(zhuǎn)是一種幾何變換，涉及圍繞中心點按指定角度更改圖像的方向。
# Define the rotation angle
angle = 30
# Perform rotation
rows, cols = image.shape[:2]
rotation_matrix = cv2.getRotationMatrix2D((cols / 2, rows / 2), angle, 1)
rotated_image = cv2.warpAffine(image, rotation_matrix, (cols, rows))
# Display the original and rotated images
cv2.imshow("Original", image)
cv2.imshow("Rotated", rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
旋轉(zhuǎn)
