Python opencv图像处理基础总结(二) ROI操作与泛洪填充 模糊操作 边缘保留滤波EPF

import cv2 as cv


src = cv.imread(r'./test/004.jpg')
cv.imshow('src', src)
# 获取RIO区域
sample = src[30:390, 80:400]
# 变为灰度图像
gray = cv.cvtColor(sample, cv.COLOR_BGR2GRAY)
# 还原回RGB三通道的
back_sample = cv.cvtColor(gray, cv.COLOR_GRAY2BGR)
# 变回去
src[30:390, 80:400] = back_sample
cv.imshow('sample', src)
cv.waitKey(0)

import cv2 as cv
import numpy as np

# 彩色图像
def fill_color(image):
    copy_image = image.copy()
    height, width = image.shape[:2]
    # 造一个mask   单通道的   np.uint8
    mask = np.zeros([height+2, width+2], np.uint8)
    # 泛洪填充 floodFill(image, mask, seedPoint, newVal, loDiff=None, upDiff=None, flags=None)
    cv.floodFill(copy_image, mask, (30, 30), (0, 255, 255), (100, 100, 100), (50, 50, 50), cv.FLOODFILL_FIXED_RANGE)
    cv.imshow('fill_color', copy_image)


src = cv.imread(r'./test/010.png')
fill_color(src)
cv.imshow('src', src)

cv.waitKey(0)

import cv2 as cv
import numpy as np

# 二值图像
def fill_binary():
    # 造一个二值图像
    image = np.zeros([400, 400, 3], np.uint8)
    image[100:300, 100:300, :] = 255
    cv.imshow('binary_image', image)
    height, width = image.shape[:2]
    print(height, width)
    # 造mask
    mask = np.ones([height+2, width+2], np.uint8)
    mask[101:301, 101:301] = 0
    # 泛洪填充
    cv.floodFill(image, mask, (200, 200), (0, 0, 255), cv.FLOODFILL_MASK_ONLY)
    cv.imshow('filled binary', image)


fill_binary()
cv.waitKey(0)

import cv2 as cv


# 均值模糊  卷积原理  C++积分图运算  速度非常快
# cv2.blur(src, ksize, dst=None, anchor=None, borderType=None)
# 对随机噪声有很好的去噪效果
def mean_ambiguity(image):
    # 水平方向
    dst1 = cv.blur(image, (20, 1))
    # 垂直方向
    dst2 = cv.blur(image, (1, 20))
    dst3 = cv.blur(image, (10, 10))
    cv.imshow('dst1', dst1)
    cv.imshow('dst2', dst2)
    cv.imshow('dst3', dst3)


src = cv.imread(r'.\test\004.jpg')
# 缩小图片尺寸  便于展示
src = cv.resize(src, None, fx=0.5, fy=0.5)
mean_ambiguity(src)
cv.imshow('src', src)

cv.waitKey(0)

import cv2 as cv

# cv2.medianBlur(src, ksize, dst=None)
def median_ambiguity(image):
    # 中值模糊    对椒盐噪声有很好的去噪效果
    dst = cv.medianBlur(image, 5)
    cv.imshow('dst', dst)


src = cv.imread(r'.\test\012.png')
cv.imshow('src', src)
median_ambiguity(src)
cv.waitKey(0)

import cv2 as cv
import numpy as np


def custom_blur_demo(image):
    # 自定义filter
    kernel = np.ones([8, 8], np.float32) / 64
    dst = cv.filter2D(image, ddepth=-1, kernel=kernel)
    cv.imshow('custom_blur_demo', dst)


src = cv.imread(r'.\test\012.png')
cv.imshow('src', src)
custom_blur_demo(src)
cv.waitKey(0)

import cv2 as cv
import numpy as np


def custom_blur_demo(image):
    # 自定义filter  卷积还可实现锐化  锐化算子 定义要符合原则  增强图像  更有立体感
    kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)
    dst = cv.filter2D(image, ddepth=-1, kernel=kernel)
    cv.imshow('custom_blur_demo', dst)


src = cv.imread(r'.\test\010.png')
cv.imshow('src', src)
custom_blur_demo(src)
cv.waitKey(0)

cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

import cv2 as cv
import numpy as np


def clamp(pv):
    if pv > 255:
        return 255
    elif pv < 0:
        return 0
    else:
        return pv


# 加上高斯噪声
def gaussion_noise(image):
    h, w, c = image.shape   # 解构
    for row in range(h):
        for col in range(w):
            # np.random.normal(loc=0.0, scale=1.0, size=None)
            # 产生正态分布的随机数
            # loc：float 此概率分布的均值 scale：float 此概率分布的标准差
            # size：int or tuple of ints 输出的shape，默认为None，只输出一个值
            s = np.random.normal(loc=1.0, scale=9.0, size=3)
            b = image[row, col, 0]   # blue
            g = image[row, col, 1]   # green
            r = image[row, col, 2]   # red
            # 加上随机数后  有些像素点可能会超界
            image[row, col, 0] = clamp(b + s[0])
            image[row, col, 1] = clamp(g + s[1])
            image[row, col, 2] = clamp(r + s[2])
    cv.imshow('Gaussian noise', image)
    return image

src = cv.imread(r'./test/004.jpg')
src = cv.resize(src, None, fx=0.5, fy=0.5)
cv.imshow('src', src)
# 高斯模糊  保留像素的主要特征
# 高斯模糊对这种高斯噪声  抑制效果好
dst = cv.GaussianBlur(gaussion_noise(src), (5, 5), 0)
cv.imshow('Gaussian blur', dst)
t1 = cv.getTickCount()
gaussion_noise(src)
t2 = cv.getTickCount()
time = (t2 - t1) / cv.getTickFrequency()
print(f'用时：{time}s')
cv.waitKey(0)

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
 - src：输入图像。
 - d：在过滤期间使用的每个像素邻域的直径。如果输入d非0，则sigmaSpace由d计算得出，如果sigmaColor没输入，则sigmaColor由sigmaSpace计算得出。
 - sigmaColor：色彩空间的标准方差，一般尽可能大。较大的参数值意味着像素邻域内较远的颜色会混合在一起，从而产生更大面积的半相等颜色。- 
 - sigmaSpace:：坐标空间的标准方差(像素单位)，一般尽可能小。参数值越大意味着只要它们的颜色足够接近，越远的像素都会相互影响。当d > 0时，它指定邻域大小而不考虑sigmaSpace。 否则，d与sigmaSpace成正比。

import cv2 as cv


def bi_filter(image):
    # 高斯双边滤波
    dst = cv.bilateralFilter(image, d=0, sigmaColor=100, sigmaSpace=15)
    cv.imshow('bi_filter', dst)


src = cv.imread(r'./test/009.png')
cv.imshow('src', src)
bi_filter(src)


cv.waitKey(0)

cv2.pyrMeanShiftFiltering(src, sp, sr, dst=None, maxLevel=None, termcrit=None)

 -  src：输入图像
 -  sp：定义迁移物理空间的半径大小
 -  sr：定义迁移色彩空间的半径大小
 -  maxLeval：表示金字塔的最大层数
 -  termcrit：表示漂移迭代终止条件
以上参数中最后两个很少用到，主要是sp和sr两个参数，二者设置的值越大，对图像色彩的平滑效果越明显，同时函数耗时越多。

import cv2 as cv


def pyr_meanshift_filter(image):
    # 均值偏移
    dst = cv.pyrMeanShiftFiltering(image, sp=15, sr=60)
    cv.imshow('pyMS', dst)


src = cv.imread(r'./test/009.png')
cv.imshow('src', src)
pyr_meanshift_filter(src)
cv.waitKey(0)