#初始化一個矩形np.max(marks)+1行，3列，默認值為0
創(chuàng)新互聯公司是一家專注于網站建設、成都網站建設與策劃設計,龍灣網站建設哪家好?創(chuàng)新互聯公司做網站,專注于網站建設10余年,網設計領域的專業(yè)建站公司;建站業(yè)務涵蓋:龍灣等地區(qū)。龍灣做網站價格咨詢:18982081108
colorTab?=?np.zeros((np.max(marks)+1,3))
#遍歷數組，給每行的3列賦值，就是RGB顏色值，8位的
for?i?in?range(len(colorTab)):
aa?=?np.random.uniform(0,255)
bb?=?np.random.uniform(0,255)
cc?=?np.random.uniform(0,255)
colorTab[i]?=?np.array([aa,bb,cc],np.uint8)
#初始化另一個跟img圖像形狀大小一樣的圖像，一副黑色圖像
bgrImage?=?np.zeros(img.shape,np.uint8)
#遍歷marks形狀的行列
for?i?in?range(marks.shape[0]):
for?j?in?range(marks.shape[1]):
index?=?marks[i][j]
#判斷是不是區(qū)域與區(qū)域之間的分界,如果是邊界(-1)，則使用白色顯示
if?index?==?-1:
bgrImage[i][j]?=?np.array([255,255,255])?#像素點設置位白色
else:
bgrImage[i][j]?=?colorTab[index]????#像素點設置位上邊隨機生成的顏色值
#顯示處理后的圖像圖像
cv2.imshow('After?ColorFill',bgrImage)
#總結，先生成一個跟marks相同數量的row*col的一張顏色表，然后創(chuàng)建一個跟marks相同大小的一副黑色圖像
#最后對黑色圖像畫出白色邊界和內部隨機彩色像素值
圖像的二值化是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的黑白效果。
將256個亮度等級的灰度圖像通過適當的閥值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數字圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的進一步處理，使圖像變得簡單，而且數據量減小，能凸顯出感興趣的目標的輪廓。其次，要進行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。
所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域
一下程序可以實現圖像的二值化：
/**************************************
*
* 函數名：
* cvBinaryEx
* 參 數：
* imgSrc - 進行銳化的圖像
* 返回值：
* 成功銳化返回TRUE，否則返回false;
* 說 明：
*
* 對圖進行二值化
*
************************************/
bool cvBinaryEx(IplImage *imgSrc)
{
IplImage* img = cvCreateImage(cvGetSize(imgSrc),imgSrc-depth,imgSrc-nChannels);
CvScalar s;
int sum=0;
for (int i=0; i imgSrc-height; i++)
{
? ? for (int j=0; j imgSrc-width; j++)
? ? {
? ? ? ? s =? cvGet2D(imgSrc,i,j);
? ? ? ? sum = (s.val[0]+s.val[1]+s.val[2])/3;
? ? ? if (sum 128)
? ? ? ? {
? ? ? ? ? ? s.val[0]=s.val[1]=s.val[2]=255;
? ? ? ? ? ? cvSet2D(imgSrc,i,j,s);
? ? ? ? }
? ? ? ? else
? ? ? ? {
? ? ? ? ? ? s.val[0]=s.val[1]=s.val[2]=0;
? ? ? ? ? ? cvSet2D(imgSrc,i,j,s);
}
}
}
return true;
}
灰度圖grayscale
灰度是指只含亮度信息，不含色彩信息的圖像。黑白照片就是灰度圖，特點是亮度由暗到明，變化是連續(xù)的。要表示灰度圖，就需要把亮度值進行量化
使用灰度圖的好處：
①? ? RGB的值都一樣。
②? ? 圖像數據即調色板索引值，就是實際的RGB值，也就是亮度值。
③? ? 因為是256色調色板，所以圖像數據中一個字節(jié)代表一個像素，很整齊。
所以，做圖像處理時都采用灰度圖。
將一幅RGB格式的圖像轉化為灰度圖：
IplImage *src= cvLoadImage("C:\\home.bmp", -1);
IplImage *dest ;
cvCvtColor(Src, dest, CV_RGB2GRAY);
然后將灰度圖dest轉化為二值化圖像(保存在src中），可以直接使用cvThreshold函數：
cvThreshold(dest, src, 1, 255, CV_THRESH_BINARY);
一般先將圖像灰度化，然后再二值化，然后在進行邊緣處理等操作。。。
灰度化--二值化---邊緣提取
Python圖像處理是一種簡單易學，功能強大的解釋型編程語言，它有簡潔明了的語法，高效率的高層數據結構，能夠簡單而有效地實現面向對象編程，下文進行對Python圖像處理進行說明。
當然，首先要感謝“戀花蝶”，是他的文章“用Python圖像處理 ” 幫我堅定了用Python和PIL解決問題的想法，對于PIL的一些介紹和基本操作，可以看看這篇文章。我這里主要是介紹點我在使用過程中的經驗。
PIL可以對圖像的顏色進行轉換，并支持諸如24位彩色、8位灰度圖和二值圖等模式，簡單的轉換可以通過Image.convert(mode)函數完 成，其中mode表示輸出的顏色模式。例如''L''表示灰度，''1''表示二值圖模式等。
但是利用convert函數將灰度圖轉換為二值圖時，是采用固定的閾 值127來實現的，即灰度高于127的像素值為1，而灰度低于127的像素值為0。為了能夠通過自定義的閾值實現灰度圖到二值圖的轉換，就要用到 Image.point函數。
深度剖析Python語法功能
深度說明Python應用程序特點
對Python數據庫進行學習研究
Python開發(fā)人員對Python經驗之談
對Python動態(tài)類型語言解析
Image.point函數有多種形式，這里只討論Image.point(table, mode)，利用該函數可以通過查表的方式實現像素顏色的模式轉換。其中table為顏色轉換過程中的映射表，每個顏色通道應當有256個元素，而 mode表示所輸出的顏色模式，同樣的，''L''表示灰度，''1''表示二值圖模式。
可見，轉換過程的關鍵在于設計映射表，如果只是需要一個簡單的箝位值，可以將table中高于或低于箝位值的元素分別設為1與0。當然，由于這里的table并沒有什么特殊要求，所以可以通過對元素的特殊設定實現（0, 255）范圍內，任意需要的一對一映射關系。
示例代碼如下：
import Image # load a color image im = Image.open(''fun.jpg'') # convert to grey level image Lim = im.convert(''L'') Lim.save(''fun_Level.jpg'') # setup a converting table with constant threshold threshold = 80 table = [] for i in range(256): if i threshold: table.append(0) else: table.append(1) # convert to binary image by the table bim = Lim.point(table, ''1'') bim.save(''fun_binary.jpg'')
IT部分通常要完成的任務相當繁重但支撐這些工作的資源卻很少，這已經成為公開的秘密。任何承諾提高編碼效率、降低軟件總成本的IT解決方案都應該進行 周到的考慮。Python圖像處理所具有的一個顯著優(yōu)勢就是可以在企業(yè)的軟件創(chuàng)建和維護階段節(jié)約大量資金，而這兩個階段的軟件成本占到了軟件整個生命周期中總成本 的50%到95%。
Python清晰可讀的語法使得軟件代碼具有異乎尋常的易讀性，甚至對那些不是最初接觸和開發(fā)原始項目的程序員都 能具有這樣的強烈感覺。雖然某些程序員反對在Python代碼中大量使用空格。
不過，幾乎人人都承認Python圖像處理的可讀性遠勝于C或者Java，后兩 者都采用了專門的字符標記代碼塊結構、循環(huán)、函數以及其他編程結構的開始和結束。提倡Python的人還宣稱，采用這些字符可能會產生顯著的編程風格差 異，使得那些負責維護代碼的人遭遇代碼可讀性方面的困難。轉載
import CV2
import copy
import numpy as np
import random
使用的是pycharm
因為最近看了《銀翼殺手2049》，里面Joi實在是太好看了所以原圖像就用Joi了
要求是灰度圖像，所以第一步先把圖像轉化成灰度圖像
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
第一個任務是利用分段函數增強灰度對比，我自己隨便寫了個函數大致是這樣的
def chng(a):
if a 255/3:
b = a/2
elif a 255/3*2:
b = (a-255/3)*2 + 255/6
else:
b = (a-255/3*2)/2 + 255/6 +255/3*2
return b
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
下一步是直方圖均衡化
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
# S is the total of pixels
S = H * W * 1.
out = img.copy()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h += len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
在實現濾波之前先添加高斯噪聲和椒鹽噪聲（代碼來源于網絡）
不知道這個椒鹽噪聲的名字是誰起的感覺隔壁小孩都饞哭了
用到了random.gauss()
percentage是噪聲占比
def GaussianNoise(src,means,sigma,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)
if NoiseImg[randX, randY] 0:
NoiseImg[randX, randY]=0
elif NoiseImg[randX, randY]255:
NoiseImg[randX, randY]=255
return NoiseImg
def PepperandSalt(src,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
if random.randint(0,1)=0.5:
NoiseImg[randX,randY]=0
else:
NoiseImg[randX,randY]=255
return NoiseImg
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
下面開始均值濾波和中值濾波了
就以n x n為例，均值濾波就是用這n x n個像素點灰度值的平均值代替中心點，而中值就是中位數代替中心點，邊界點周圍補0；前兩個函數的作用是算出這個點的灰度值，后兩個是對整張圖片進行
#均值濾波模板
def mean_filter(x, y, step, img):
sum_s = 0
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:
sum_s += 0
else:
sum_s += img[k][m] / (step*step)
return sum_s
#中值濾波模板
def median_filter(x, y, step, img):
sum_s=[]
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:
sum_s.append(0)
else:
sum_s.append(img[k][m])
sum_s.sort()
return sum_s[(int(step*step/2)+1)]
def median_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = median_filter(i, j, n, img)
return img1
def mean_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = mean_filter(i, j, n, img)
return img1
完整main代碼如下：
if __name__ == "__main__":
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
meanimg3 = mean_filter_go(covereqps, 3)
CV2.imwrite('medimg3.png', meanimg3)
meanimg5 = mean_filter_go(covereqps, 5)
CV2.imwrite('meanimg5.png', meanimg5)
meanimg7 = mean_filter_go(covereqps, 7)
CV2.imwrite('meanimg7.png', meanimg7)
medimg3 = median_filter_go(covereqg, 3)
CV2.imwrite('medimg3.png', medimg3)
medimg5 = median_filter_go(covereqg, 5)
CV2.imwrite('medimg5.png', medimg5)
medimg7 = median_filter_go(covereqg, 7)
CV2.imwrite('medimg7.png', medimg7)
medimg4 = median_filter_go(covereqps, 7)
CV2.imwrite('medimg4.png', medimg4)
方法一：在使用OpenCV讀取圖片的同時將圖片轉換為灰度圖：
img = cv2.imread(imgfile, cv2.IMREAD_GRAYSCALE)
print("cv2.imread(imgfile, cv2.IMREAD_GRAYSCALE)結果如下：")
print('大?。簕}'.format(img.shape))
print("類型：%s"%type(img))
print(img)
運行結果如下圖所示：
方法二：使用OpenCV，先讀取圖片，然后在轉換為灰度圖：
img = cv2.imread(imgfile)
#print(img.shape)
#print(img)
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #Y = 0.299R + 0.587G + 0.114B
print("cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)結果如下：")
print('大小:{}'.format(gray_img.shape))
print("類型：%s" % type(gray_img))
print(gray_img)
運行結果如下：
方法三：使用PIL庫中的Image模塊：
img = np.array(Image.open(imgfile).convert('L'), 'f') #讀取圖片，灰度化，轉換為數組，L = 0.299R + 0.587G + 0.114B。'f'為float類型
print("Image方法的結果如下：")
print('大?。簕}'.format(img.shape))
print("類型：%s" % type(img))
print(img)
圖像的灰度處理：
CV_LOAD_IMAGE_GRAYSCALE，這是最簡單之間的辦法，在加載圖像時直接處理
IplImage* Igray=cvLoadImage("test.jpg",CV_LOAD_IMAGE_GRAYSCALE);
得到的圖像就是單通道的，也能夠用這個函數：CVAPI(void) cvCvtColor( const CvArr* src, CvArr* dst, int code );
code=CV_BGR2GRAY;
opencv還提供了非常多方式，我這邊就不一一舉例了。
重慶分公司
重慶分公司
