[人工智能] 计算机视觉实验一

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 计算机视觉实验一 -> 正文阅读

[人工智能]计算机视觉实验一

文章目录

一、python及opencv的配置

在anaconda里使用activate opencv_env语句打开我自己建的虚拟环境，使用pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple语句进行opencv模块的安装。
在这里插入图片描述

使用conda list 语句查看已经装好的环境
在这里插入图片描述

二、图像处理基础

1.图像的直方图表示

1.1概念

图像直方图（Image Histogram）是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此一张较暗图片的直方图中的数据多集中于左侧和中间部分，而整体明亮、只有少量阴影的图像则相反。CV 领域常借助图像直方图来实现图像的二值化。
??直方图的意义如下：
??● 直方图是图像中像素强度分布的图形表达方式。
??● 它统计了每一个强度值所具有的像素个数。

1.2代码部分

import cv2 as cv
from matplotlib import pyplot as plt
 
#画出图像的直方图
def hist_image(image):
    color = ("blue", "green", "red")
    for i, color in enumerate(color):
        hist = cv.calcHist([image], [i], None, [256], [0, 256])
        plt.plot(hist, color=color)
        plt.xlim([0, 256])
    plt.show()
 
src = cv.imread("../fig.jpg")
cv.namedWindow("表情包", cv.WINDOW_NORMAL)
cv.imshow("表情包", src)
hist_image(src)
cv.waitKey(0)
cv.destroyAllWindows()

2.实现高斯滤波

2.1高斯滤波的理论基础

高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声。

高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的，为1。而高斯滤波器的模板系数，随着距离模板中心距离的增大，系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器而言，对图像模糊程度较小，更能保持图像的整体细节。

其中 $(x, y)$ 为掩膜内任一点的坐标， $(u x, u y)$ 为掩膜内中心点的坐标，在图像处理中可认为是整数； $σ$ 是标准差。

高斯滤波器模板的生成最重要的参数就是高斯分布的标准差 $σ$ 。标准差代表着数据的离散程度，如果 $σ$ 较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之， $σ$ 较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。

由于图像的长宽可能不是滤波器大小的整数倍，因此我们需要在图像的边缘补0，这种方法叫做 zero padding。

算法流程：
①对图像进行zero padding
②根据高斯滤波器的核大小和标准差大小实现高斯滤波器
③使用高斯滤波器对图像进行滤波
④输出高斯滤波后的图像

2.2代码部分

import cv2

img=cv2.imread('../paojie.jpg')
#(3, 3)表示高斯滤波器的长和宽都为3，1.3表示滤波器的标准差
out=cv2.GaussianBlur(img,(3,3),1.3)
cv2.imwrite('out.jpg',out)
cv2.imshow('result',out)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.直方图均衡化

3.1原理

直方图均衡化（Histogram equalization）就是一种常用的灰度变换方法。如果一幅图像的灰度直方图几乎覆盖了整个灰度的取值范围，并且除了个别灰度值的个数较为突出，整个灰度值分布近似于均匀分布，那么这幅图像就具有较大的灰度动态范围和较高的对比度，同时图像的细节更为丰富。已经证明，仅仅依靠输入图像的直方图信息，就可以得到一个变换函数，利用该变换函数可以将输入图像达到上述效果，该过程就是直方图均衡化。

3.2代码实现

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('img.jpg',0)

equ = cv2.equalizeHist(img)
res = np.hstack((img,equ)) #stacking images side-by-side
cv2.imshow('show',res)

cv2.waitKey()