第八部分、图像操作-4

• • 第一节、图像卷积操作
  • • 1.图像卷积定义
    • 2.卷积函数
    • 3.代码练习与测试
  • 第二节、高斯模糊
  • • 1.高斯模糊
    • 2.函数解释
    • 3.代码练习与测试
  • 第三节、像素重映射
  • • 1.像素重映射定义
    • 2.重映射函数
    • 3.代码练习与测试
  • 学习参考

第一节、图像卷积操作

1.图像卷积定义

卷积的基本原理：

• 输入图像
• 输出图像
• 卷积核（窗口大小），卷积核里的数叫卷积核系数/权重/卷积核

左图所示是原值填充边缘，中间的部分是点乘求和之后取平均值。

卷积的本质：线性组合（矩阵乘法）

所有卷积核系数都相同如下图都是1，实验证明可以抑制噪声。并且最后求平均值的方法叫做均值卷积，可以用来做图像模糊。

卷积定义示例：

2.卷积函数

最常见的边缘填充函数：

# 边缘处理，边缘填充的方式
1. cv.BORDER_DEFAULT # 边框将是边框元素的镜像gfedcb|abcdefgh|gfedcba
2. cv.BORDER_WRAP # 用另一边(对边)的像素来补偿填充 cdefgh|abcdefgh|abcdefg
3. cv.BORDER_CONSTANT # 填充边缘用指定像素值 iiiiii|abcdefgh|iiiiiii

卷积模糊函数：

cv.blur(src, ksize[, dst[, anchor[, borderType]]]) --> dst
# src表示输入图像 CV_8U, CV_32F or CV_64F
# Ksize卷积核大小
# Anchor锚定位置，默认是赋值在锚点中心位置(-1, -1)
# borderType边缘处理方式

3.代码练习与测试

# 图像卷积操作
def conv_demo():image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")dst = np.copy(image)cv.imshow("input", image)h, w, c = image.shape# 自定义方法实现卷积# 从上到下，从左到右，从1开始说明边缘有一个没有绑定会有缝隙，从2开始就可以边缘填满for row in range(2, h-2, 1):for col in range(2, w-2, 1):# 求均值的区域范围是(0, 4)就是0, 1, 2, 3, 4，也就是一个5*5的卷积核m = cv.mean(image[row-2:row+2, col-2:col+2])# 把卷积后的均值结果赋值给中心位置dst[row, col] = (int(m[0]), int(m[1]), int(m[2]))cv.imshow("convolution-demo", dst)# 用官方自带的卷积api函数blured = cv.blur(image, (5, 5), anchor=(-1, -1))cv.imshow("blur-demo", blured)cv.waitKey(0)cv.destroyAllWindows()

结果示例：

# 窗口大小不是正方形的图像卷积
def conv_demo_2():image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")cv.imshow("input", image)# 用官方自带的卷积api函数# 水平抖动blured1 = cv.blur(image, (15, 1), anchor=(-1, -1))cv.imshow("blur-demo1", blured1)# 垂直抖动blured2 = cv.blur(image, (1, 15), anchor=(-1, -1))cv.imshow("blur-demo2", blured2)cv.waitKey(0)cv.destroyAllWindows()

结果示例：

# 模糊操作：系数相同，均值卷积
# 窗口大小不是正方形的图像卷积
def conv_demo_2():image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")cv.imshow("input", image)# 用官方自带的卷积api函数# 模糊操作，系数相同，均值卷积blured3 = cv.blur(image, (25, 25), anchor=(-1, -1))cv.imshow("blur-demo3", blured3)cv.waitKey(0)cv.destroyAllWindows()

第二节、高斯模糊

1.高斯模糊

卷积核系数相同叫做均值模糊，卷积核系数不同可以做高斯模糊。

左图所示是均值模糊，右图是高斯模糊，中间的是高斯函数（中间部分是最高的，离中间越远值越小）

高斯模糊下针对不同位置使用高斯公式生成的卷积核叫做**高斯核**。

中心对称，不同权重，线性组合

高斯模糊和均值模糊的差异就是，高斯模糊考虑了中心位置对权重的影响。

2.函数解释

# 高斯函数
1. cv.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -->dst
# ksize窗口大小，必须是正数而且是奇数
# sigmaX高斯核函数X方向标准方差
# sigmaY高斯核函数Y方向标准方差,默认0（表示跟sigmaX相同）
# ksize为0表示从sigmaX计算生成ksize
# ksize大于0表示从ksize计算生成sigmaX
# 所以ksize和sigmaX设一个就行
# 计算方式：σ = 0.3*((size - 1)*0.5 - 1) + 0.8
# ksize取值越大模糊程度越高，sigmaX取值越大模糊程度越高

• 均值模糊 – 卷积核权重系数相同
• 高斯模糊 – 卷积核根据高斯函数生成，权重系数不同

3.代码练习与测试

# 高斯模糊
def gaussian_blur_demo():image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")cv.imshow("input", image)# 用官方自带的卷积api函数# 窗口大小ksize为0表示从sigmaX计算生成ksize# ksize窗口大小，必须是正数而且是奇数g1 = cv.GaussianBlur(image, (0, 0), 15)# ksize大于0表示从ksize计算生成sigmaX# 此时的sigmaX由计算式子σ = 0.3*((size - 1)*0.5 - 1) + 0.8 计算为：2.6# ksize窗口大小，必须是正数而且是奇数g2 = cv.GaussianBlur(image, (15, 15), 15)cv.imshow("GaussianBlur-demo1", g1)cv.imshow("GaussianBlur-demo2", g2)cv.waitKey(0)cv.destroyAllWindows()

结果示例：

由于窗口大小ksize不为0时sigmaX由计算得出，所以会出现两种模糊不一致的情况。

第三节、像素重映射

1.像素重映射定义

把某个位置(x, y)的像素值赋值到另一个位置。例如(50, 50) -> (100, 100)

2.重映射函数

1. cv.remap(src, map1, map2, interpolation[, dst[, borderMode[, borderValue]]] ) -> dst
# src表示图像
# map1表示x,y方向映射规则，或者x方向映射
# Map2如果map1表示x,y映射时为空，否则表示y
# 表示映射时候的像素插值方法 支持：INTER_NEAREST 、NTER_LINEAR 、NTER_CUBIC 

3.代码练习与测试

# 滚动条实现像素重定向
def trackbar_remap_callback(pos):print(pos)def remap_demo():cv.namedWindow("remap-demo", cv.WINDOW_AUTOSIZE)# 注意使用cv.createTrackbar滚动条之前线要定义注册响应trackbar_remap_callbackcv.createTrackbar("remap-type", "remap-demo", 0, 3, trackbar_remap_callback)image = cv.imread(r"F:\python\opencv-4.x\samples\data\lena.jpg")cv.imshow("lena", image)h, w, c = image.shape# map_x和map_y只存储映射规则的坐标map_x = np.zeros((h, w), dtype=np.float32)map_y = np.zeros((h, w), dtype=np.float32)# 完成map_x和map_y的定义while True:pos = cv.getTrackbarPos("remap-type", "remap-demo")# 倒立,x方向不变，修改y方向if pos == 0:# map_x.shape[0]对应h# 一行一行的操作xfor i in range(map_x.shape[0]):map_x[i, :] = [x for x in range(map_x.shape[1])]# map_y.shape[1]对应w# 一列一列的操作yfor j in range(map_y.shape[1]):map_y[:, j] = [map_y.shape[0] - y for y in range(map_y.shape[0])]# 镜像，x方向修改，y方向不变elif pos == 1:# map_x.shape[0]对应h# 一行一行的操作xfor i in range(map_x.shape[0]):map_x[i, :] = [map_x.shape[1] - x for x in range(map_x.shape[1])]# map_y.shape[1]对应w# 一列一列的操作yfor j in range(map_y.shape[1]):map_y[:, j] = [y for y in range(map_y.shape[0])]# 对角线对称，x方向修改，y方向也修改elif pos == 2:# map_x.shape[0]对应h# 一行一行的操作xfor i in range(map_x.shape[0]):map_x[i, :] = [map_x.shape[1] - x for x in range(map_x.shape[1])]# map_y.shape[1]对应w# 一列一列的操作yfor j in range(map_y.shape[1]):map_y[:, j] = [map_y.shape[0] - y for y in range(map_y.shape[0])]# 放大两倍，x方向修改，y方向也修改elif pos == 3:# map_x.shape[0]对应h# 一行一行的操作xfor i in range(map_x.shape[0]):map_x[i, :] = [int(x/2) for x in range(map_x.shape[1])]# map_y.shape[1]对应w# 一列一列的操作yfor j in range(map_y.shape[1]):map_y[:, j] = [int(y/2) for y in range(map_y.shape[0])]# 像素重映射remap函数dst = cv.remap(image, map_x, map_y, cv.INTER_LINEAR)cv.imshow("remap-demo", dst)# 每50ms获取一次键值，ESC键值为27c = cv.waitKey(50)if c == 27:breakcv.destroyAllWindows()

结果示例：

学习参考

本系列所有OpenCv相关的代码示例和内容均来自博主学习的网站：opencv_course