[人工智能]通道分离与合并、彩色图转换为灰度图、二值化

图像基础

• 矩阵
• 分辨率
• 8位整型图像
• 浮点数图像

灰度图：

彩色图：

1. 通道分离与合并

b, g, r = cv.split(img)
img_new = cv.merge([b, g, r])

2. 彩色图转灰度图

img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

3. 二值化图像

_, img_bin = cv.threshold(img_gray, th1, th2, cv.THRESH_BINARY)

4. 图像运算

img = cv.add(img1, img2)
img = cv.addWeighted(img1, alpha, img2, beta, gamma)
img = cv.subtract(img1, img2)
img = cv.multiply(img1, img2)
img = cv.divide(img1, img2)

5. 图像像素非线性变换

img = cv.convertScaleAbs(img, alpha=1, beta=0)

$$s=b+kr$$

$$s=a+\frac{ln(r+1)}{b}$$

$$s=c{r}^{\gamma }$$

重要的函数

1. 图像读取

img = cv.imread()

2. 彩色图转灰度图

img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

3. 二值化图像（灰度图转二值图）

_, img_bin = cv.threshold(img_gray, th1, th2, cv.THRESH_BINARY)

4. 保存图像

cv.imwrite('pic/bear_gray.jpg', img_gray)

5. 通道分离

b, g, r = cv.split(img)

6. 通道合并

img_new = cv.merge([b, g, r])

7. 两图像相加、相减、相乘、相除

img = cv.add(img1, img2)
img = cv.subtract(img1, img2)
img = cv.multiply(img1, img2)
img = cv.divide(img1, img2)

图像基本知识

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

def show(img):
    if img.ndim == 2:
        plt.imshow(img, cmap='gray',vmin=0,vmax=255)
    else:
        plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))#cv用的BGR，需要转换为RGB
    plt.show()

图像基础

A = np.random.randint(0,256,(2,4))
A

array([[  4, 245, 223, 220],
       [191, 208, 190,  72]])

show(A)

B = np.random.randint(0,256,(2,4,3),dtype=np.uint8)
B

array([[[240,  57,  37],
        [141,  33, 113],
        [ 50, 252,   5],
        [125,  23, 206]],

       [[ 94, 128, 166],
        [218, 183, 231],
        [156, 136, 105],
        [208, 191, 119]]], dtype=uint8)

uint8为8位无符号整数类型,表示范围为[0, 255]

show(B)

A2 = np.float32(A)
A2 /= 255
show(A2)

通道分离与合并

读取图片

img = cv.imread('./pic/cubic500x500.jpg')
show(img)

通道分离

b,g,r = cv.split(img)
show(r)

img.shape

(500, 500, 3)

通道合并

img2 = cv.merge([b,g,r])
show(img2)

img3 = cv.merge([r,g,b])
show(img3)

彩色图转换为灰度图

将三个通道进行加权

gray1 = 1/3*b + 1/3*g + 1/3*r
gray1 = np.uint8(gray1)# 或者gray1 = gray1.astype(np.uint8)

利用cv现成的api

gray4 = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
show(gray4)

二值化

thresh = 125
gray4[gray4 > thresh] = 255
gray4[gray4 <= thresh] = 0
show(gray4)

利用cv.threshold来进行二值化

show(gray1)

_, img_bin = cv.threshold(gray1, 125, 255, cv.THRESH_BINARY)

show(img_bin)

图像的加减乘除

• 相加：混合图像、添加噪声cv.add()

• 相减：消除背景、差影法(比较差异、运动跟踪)cv.subtract()

• 相乘：掩膜 cv.multiply()

• 相除：校正设备、比较差异 cv.divide()

np.hstack将参数元组的元素数组按水平方向进行叠加

np.vstack将参数元组的元素数组按垂直方向进行叠加

接下来，我们进行代码的实现

obj = cv.imread('./pic/hedgehog500x500.jpg',0)
bg = cv.imread('./pic/line500x500.jpg',0)
mask = cv.imread('./pic/mask500x500.jpg',0)
noise = cv.imread('./pic/hedgehog_noise_500x500.jpg',0)
show(np.hstack([obj,bg,mask,noise]))

接下来，我们呢可以图像相加以及图像相减的效果：

图像相加：

img_add = obj + bg
show(img_add)

显然得到的图，并不是我们想要的，这是因为img_add = obj + bg，两个图的RGB元素相加超过了255时，会重新循环到另外一个值，我们只需要两者都取权重0.5，就可以避免这样的问题

img_add = obj*0.5 + bg*0.5 #img_add = cv.add(obj*0.5,bg*0.5)
show(img_add)

print(img_add.dtype)

float64

但是这里注意，obj0.5 + bg0.5后，img_add的数据类型会自动转换为float类型，你也可以使用np.uint8()进行强制转换

但是，调用cv.addWeighted()，就不会出现这样的情况,它会自动的截断

img_add2 = cv.addWeighted(obj,0.5,bg,0.5,0)
show(img_add2)

图像相减:

img_sub = np.uint8((img_add - bg*0.5))
#img_sub = cv.subtract(img_add,bg*0.5)
show(np.hstack([img_sub,img_sub*2]))

图像乘法

# mask /= 255
show(np.hstack([obj, mask]))

img_mul = cv.multiply(obj/1.0, mask/255) #cv.multiply只会对同种类型的数据相乘，因此Ob/1.0
show(img_mul) 

图像相除

# 图像相除
show(np.hstack([obj, ob_noise]))

img_div = cv.divide(obj, ob_noise+1)
show(img_div)

保存图片

cv.imwrite('pic/img_divide.jpg', np.hstack([obj, noise, img_div]))

True

# 实例
bg = cv.imread('pic/petal500x500.jpg')
ob = cv.imread('pic/hedgehog500x500.jpg')
mask = cv.imread('pic/mask500x500.jpg')

show(np.hstack([bg, ob, mask]))

ob_select = np.float32(ob/1.0) * np.float32(mask/255.0)
show(np.uint8(ob_select))

bg_select = np.float32(bg/1.0) * np.float32(1-mask/255.0)
show(np.uint8(bg_select))

nice = cv.add(ob_select*0.8, bg_select).astype(np.uint8)
show(nice)

cv.imwrite('pic/image_mix.jpg', np.hstack([bg, ob, nice]))

True