图像美化
- 案例1: 直方图
- 案例2: 直方图均衡化
- 案例3: 亮度增强
- 案例4: 磨皮美白
- 案例5: 图片滤波
- 案例6: 高斯滤波
颜色等级的直方图。
mark
图片滤波
mark
这一章节所有的知识点都比较复杂，也就是难度更高一点。
适用性更强，使用案例常见。
直方图均衡化，磨皮美白算法。
mark
Rgb三种颜色直方图，有横纵两个左边，横坐标描述0-255颜色等级(8位颜色)
纵坐标是每个颜色等级在整张图出现的概率(0-1)。
直方图均衡化？
一幅图上RGb的直方图没有均匀分布，而是集中在了某一处。
这时可以用直方图均衡化，让原本聚合在一起的直方图尽可能的离散化。
有灰度图像的直方图和彩色图像的直方图两种。
mark
经过图片直方图均衡化，图片的亮度和清晰度给人的感觉就要好很多。
mark
无论灰色还是彩色。
图像修复
因为某些原因图像造成了污损。可以采用这种方式进行修补
mark
在图像修补时要准备一个蒙版的图片，左下角这张黑色图片。
这张图片要尽可能的描述受损区域。
亮度增强
最简单的图像美化
mark
当前的灰度值，全部加上一个灰度等级。或者将当前的灰度值乘以一个放大系数。
这个效果是不分差异的增加整个图片的亮度
磨皮美白
mark
左图是未经过磨皮美白之前的，右图是经过美白后。这里采用一个双边过滤器实现。
图片滤波
- 高斯滤波，中值滤波，均值滤波
一维高斯:
mark
高斯滤波将使用opencv api的形式
二维高斯:
mark
中值滤波使用源代码形式
图像卷积
mark
实质是矩阵对应点相乘并求和。
彩色图片直方图
api调用
import cv2
import numpy as np
# 定义一个图片直方图方法
def ImageHist(image,type):
color = (255,255,255)
windowName = 'Gray'
if type == 31:
color = (255,0,0)
windowName = 'B Hist'
elif type == 32:
color = (0,255,0)
windowName = 'G Hist'
elif type == 33:
color = (0,0,255)
windowName = 'R Hist'
# 调用opencv api完成hist方法
# 参数1 image 注意加上[] 变成一个list
# 参数2 channels 通道 灰度直方图，下标[0]
# 参数3 mask None 蒙版
# 参数4 histSize 绘制直方图个数 256
# 参数5 ranges 0-255
hist = cv2.calcHist([image],[0],None,[256],[0.0,255.0])
# 定义最大值，定义最小值，定义最小值下标，定义最大值下标。
minV,maxV,minL,maxL = cv2.minMaxLoc(hist)
# 创建画布
histImg = np.zeros([256,256,3],np.uint8)
# 高度遍历
for h in range(256):
# 归一化数据，获取每一个直方图的数据*256 除以最大值。值会被归到0-256之间
intenNormal = int(hist[h]*256/maxV)
# 1. 画布；2.起点 3. 256 - 归一化之后的值
cv2.line(histImg,(h,256),(h,256-intenNormal),color)
cv2.imshow(windowName,histImg)
return histImg
img = cv2.imread('image0.jpg',1)
# 将图片分层，RGB
channels = cv2.split(img)# RGB - R G B
for i in range(0,3):
ImageHist(channels[i],31+i)
cv2.waitKey(0)
mark
minMaxLoc求出最大值最小值，以便我们进行归一化。
直方图均衡化
灰度图片直方图均衡化
#灰度 直方图均衡化
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
# 灰度化
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('src',gray)
# equalizeHist 灰度图直方图均匀化
dst = cv2.equalizeHist(gray)
cv2.imshow('dst',dst)
cv2.waitKey(0)
mark
彩色图片直方图均衡化
# 彩色 直方图均衡化
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
cv2.imshow('src',img)
# 对于单通道进行直方图均衡化
(b,g,r) = cv2.split(img)# 通道分解
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# merge合并三个通道
result = cv2.merge((bH,gH,rH))# 通道合成
cv2.imshow('dst',result)
cv2.waitKey(0)
mark
先分解通道，对于每个单一通道进行equalizeHist()之后，再将这些处理后的通道数据进行merge 合并。
实现YUV 直方图均衡化
# YUV 直方图均衡化
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
# 灰色图片转换为YCrCb(YUV)
imgYUV = cv2.cvtColor(img,cv2.COLOR_BGR2YCrCb)
cv2.imshow('src',img)
# 对图片进行分解，会得到一个三维的数组
channelYUV = cv2.split(imgYUV)
# 对第一维进行直方图均衡化
channelYUV[0] = cv2.equalizeHist(channelYUV[0])
# 再将这三个通道进行合并
channels = cv2.merge(channelYUV)
# 再将YUV转为BGR
result = cv2.cvtColor(channels,cv2.COLOR_YCrCb2BGR)
cv2.imshow('dst',result)
cv2.waitKey(0)
mark
图片修补
- 生成坏图片
import cv2
import numpy as np
img = cv2.imread('image0.jpg',1)
# 画一条线从200画到300
for i in range(200,300):
# 线宽三个像素
img[i,200] = (255,255,255)
img[i,200+1] = (255,255,255)
img[i,200-1] = (255,255,255)
for i in range(150,250):
img[250,i] = (255,255,255)
img[250+1,i] = (255,255,255)
img[250-1,i] = (255,255,255)
# 写入图片，破图
cv2.imwrite('damaged.jpg',img)
cv2.imshow('image',img)
cv2.waitKey(0)
mark
# 1 坏图 2 array描述图片坏哪里了 3 inpaint
import cv2
import numpy as np
# 读取破图
img = cv2.imread('damaged.jpg',1)
cv2.imshow('src',img)
# 获取图片信息
imgInfo = img.shape
height = imgInfo[0]
width = imgInfo[1]
# 定义蒙版
paint = np.zeros((height,width,1),np.uint8)
for i in range(200,300):
# 改为单通道的
paint[i,200] = 255
paint[i,200+1] = 255
paint[i,200-1] = 255
for i in range(150,250):
paint[250,i] = 255
paint[250+1,i] = 255
paint[250-1,i] = 255
cv2.imshow('paint',paint)
# 1 src 2 mask
imgDst = cv2.inpaint(img,paint,3,cv2.INPAINT_TELEA)
cv2.imshow('image',imgDst)
cv2.waitKey(0)
定义一个蒙版，并调用inpaint方法。
参数1 原图片，参数2 蒙版图片，参数3 inpaintRadius修复的半径
参数4 flag 哪种修复
mark
网友评论