☀️Python+opencv图像处理☀️
☀️Python+opencv图像处理☀️
☀️Python+opencv图像处理☀️
🏳️🌈前言
如今的修图软件真是厉害，专业级的ps不说，手机上的各种修图软件也是强大无比。尤其是各种厉害又好玩的滤镜真是让人感叹技术可以改变生活，让芒果忍不住好奇了解了解图像处理中的滤镜。
1、滤镜
1.1、硬件滤镜
滤镜一词最初来源于摄影中的滤镜片，在摄影中或者光学的成像中一般被称为摄影滤光镜，简称滤光镜、滤色镜或者滤镜。是摄影时放在照相机镜头前端的一种玻璃或塑料镜片，能够对光的不同波段进行选择性吸收，从而对摄影作品产生特殊的效果。种类很多，常见的有UV镜、偏振镜、天光镜、ND镜等。一些图像处理软件也可以向图片中加入滤镜的模拟效果。
1.2、软件滤镜
所以滤镜原是实际的一个物件，可见可触及的。至于电脑和手机上的修图软件所说的滤镜，更准确地说应该称为滤镜效果。一些图像处理软件针对性地提供了一些对传统滤镜效果的模拟功能，在软件界面中也直接以“滤镜”（Filter）称呼；日久便约定俗成，软件中将一些特定效果（effect）或预设（preset）以‘滤镜’统一称呼，特别于一些简单化傻瓜化软件中较为常见，如美图秀秀以及智能手机app Instagram等。
至于通过软件上如何实现这些滤镜的效果，有基于简单的卷积滤波的，又基于灰度或者伽马变换的，更复杂的也有合成混合等更为复杂的过程。滤镜效果非常地多实现的方法也各种各样，针对某一种特定的滤镜可能还有特定的调整优化的方法。
2、高斯噪声
2.1、噪声
图像常常受到一些随机误差的影响而退化，我们通常称这个退化为噪声。在图像的捕获、传输或者处理过程中都有可能产生噪声，噪声可能是依赖于图像内容，可能无关。
噪声一般由其频率的特征来刻画，理想的噪声称为白噪声，高斯噪声就属于白噪声的一种，为白噪声的一个特例。服从高斯（正态）分布，在一维的情况下，概率密度函数为
加性噪声，在图像通过信号传输的时候，产生的噪声一般与图像信号无关，这种独立于信号的退化称为加性噪声，模型表示为
代码实现：
#include<opencv2/opencv.hpp>
#include <random>
namespace mycv {
const double pi = 3.1415926;
void createGaussianNoise(cv::Mat& src, cv::Mat& dst)
{
dst = src.clone();
//1、灰阶范围[0， G - 1], 取sigma > 0; sigma越小噪声越小
const int G = 256;
double sigma = 20;
for(int i = 0; i < src.rows; ++i)
for (int j = 0; j < src.cols - 1; ++j)
{
//2、产生位于[0, 1]独立随机数gamma、phi
std::random_device rd;
std::mt19937 gen(rd());
double gamma = std::generate_canonical<double, 2>(gen);
double phi = std::generate_canonical<double, 2>(gen);
//3、计算z1、z2
double z1 = sigma * std::cos(2 * pi*phi)*std::sqrt(-2 * std::log(gamma));
double z2 = sigma * std::sin(2 * pi*phi)*std::sqrt(-2 * std::log(gamma));
//4、
double tmpxy = src.at<uchar>(i, j) + z1;
double tmpxy1 = src.at<uchar>(i, j + 1) + z2;
//5
if (tmpxy < 0)
dst.at<uchar>(i, j) = 0;
else if (tmpxy > G - 1)
dst.at<uchar>(i, j) = G - 1;
else
dst.at<uchar>(i, j) = static_cast<int>(tmpxy);
if (tmpxy1 < 0)
dst.at<uchar>(i, j + 1) = 0;
else if (tmpxy > G - 1)
dst.at<uchar>(i, j + 1) = G - 1;
else
dst.at<uchar>(i, j + 1) = static_cast<int>(tmpxy1);
}
}
}//mycv
int main(void)
{
cv::Mat src = cv::imread("lena.jpg", 0);
if (src.empty()) return -1;
cv::Mat dst;
mycv::createGaussianNoise(src, dst);
cv::imshow("src", src);
cv::imshow("dst", dst);
cv::waitKey(0);
return 0;
}//main运行结果如下：
3、图像灰度化
3.1、灰度图像
灰度化，在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。
图像的灰度化一般作为图像的预处理步骤，为之后更复杂的图像处理做准备。另一方面，将图像灰度化也可以作为一个简常见的滤镜效果。
3.2、灰度化方法
一般将图像灰度化由分量法、最大值法、平均值发以及加权平均法4种。
1、分量法
分量法是指将图像的三种分量的亮度值（灰度值）作为三个图像的灰度值的方法，可以根据需要选择应用哪一个分量产生的灰度图像。该方法的公式原理如下：
代码实现：
// channel graying | 分量法
enum enumRGB { R = 1, G = 2, B = 3 };
cv::Mat channelGraying(cv::Mat src_image, enumRGB channel)
{
cv::Mat gray_image(src_image.size(), CV_8UC1);
switch (channel)
{
case R:
for (size_t i = 0; i < src_image.rows; i++)
{
for (size_t j = 0; j < src_image.cols; j++)
{
gray_image.at<uchar>(i, j) = src_image.at<cv::Vec3b>(i, j)[2];
}
}
break;
case G:
for (size_t i = 0; i < src_image.rows; i++)
{
for (size_t j = 0; j < src_image.cols; j++)
{
gray_image.at<uchar>(i, j) = src_image.at<cv::Vec3b>(i, j)[1];
}
}
case B:
for (size_t i = 0; i < src_image.rows; i++)
{
for (size_t j = 0; j < src_image.cols; j++)
{
gray_image.at<uchar>(i, j) = src_image.at<cv::Vec3b>(i, j)[0];
}
}
break;
default:
assert(false);
break;
}
return gray_image;
}运行结果如下：
2、最大值法
最大值法为，选取三个分量中亮度值（灰度值）最大的作为灰度图像的灰度值。该方法公式原理如下：
代码实现：
// max value graying | 最大值灰度化
cv::Mat maxValueGraying(cv::Mat src_image)
{
cv::Mat gray_image(src_image.size(), CV_8UC1);
for (size_t i = 0; i < src_image.rows; i++)
{
for (size_t j = 0; j < src_image.cols; j++)
{
gray_image.at<uchar>(i, j) = std::max(
src_image.at<cv::Vec3b>(i, j)[0],
std::max(
src_image.at<cv::Vec3b>(i, j)[1],
src_image.at<cv::Vec3b>(i, j)[2]
)
);
}
}
return gray_image;
}运行结果如下：
3-平均值法
平均值法为，将三个分量的灰度值求取平均值作为灰度图像的灰度值。该方法的公式原理为：
代码实现：
// average value garying | 平均值法
cv::Mat avergaeValueGraying(cv::Mat src_image)
{
cv::Mat gray_image(src_image.size(), CV_8UC1);
for (size_t i = 0; i < src_image.rows; i++)
{
for (size_t j = 0; j < src_image.cols; j++)
{
gray_image.at<uchar>(i, j) = (src_image.at<cv::Vec3b>(i, j)[0] + src_image.at<cv::Vec3b>(i, j)[1] + src_image.at<cv::Vec3b>(i, j)[1]) / 3;
}
}
return gray_image;
}运行结果如下：
4-加权平均法
根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。
代码实现：
// weighted average graying| 加权平均法
cv::Mat weightedAvergaeGraying(cv::Mat src_image)
{
cv::Mat gray_image(src_image.size(), CV_8UC1);
for (size_t i = 0; i < src_image.rows; i++)
{
for (size_t j = 0; j < src_image.cols; j++)
{
gray_image.at<uchar>(i, j) = 0.11 * src_image.at<cv::Vec3b>(i, j)[0] + 0.59*src_image.at<cv::Vec3b>(i, j)[1] + 0.30 * src_image.at<cv::Vec3b>(i, j)[2];
}
}
return gray_image;
}运行结果如下：
4、二值化实现黑白滤镜
4.1、黑白滤镜
黑白滤镜非常简单，顾名思义就是图像只有黑色与白色，这实际上就是图像的二值化。实现的原理也非常地简单，设定一个阈值，假设为128，判断每个像素点的灰度值，大于128设为255（对应白色），小于则设为0（对应黑色）。
代码实现：
// black and white filter
//@mango
#include<iostream>
#include<opencv2/opencv.hpp>
int main()
{
// 以灰度图的方式读取图像
cv::Mat img = cv::imread("fruit.jpg", 0);
for (size_t i = 0; i < img.rows; i++)
{
for (size_t j = 0; j < img.cols; j++)
{
if (img.at<uchar>(i, j) > 128)
{
img.at<uchar>(i, j) = 255;
}
else
{
img.at<uchar>(i, j) = 0;
}
}
}
cv::imshow("黑白滤镜", img);
cv::waitKey(0);
return 0;
}运行结果如下：
5、opencv函数实现
上述代码把简单的二值化原理实现了一边，opencv中已经有函数实现了这个功能。该函数的原型为：
double cv::threshold ( InputArray src, //输入图像
OutputArray dst, //输出图像，即阈值操作处理后的图像，为只有黑白的二值图
double thresh, //阈值，阈值操作的判断条件
double maxval, //最大值，设定输出图像灰度的最大值
int type //阈值操作的方式类型
)所以，二值化实现黑白滤镜的代码可以修改为
// black and white filter
//@mango
#include<iostream>
#include<opencv2/opencv.hpp>
int main()
{
// 以灰度图的方式读取图像
cv::Mat img = cv::imread("fruit.jpg", 0);
cv::Mat black_and_white;
// 调用opencv函数
cv::threshold(img, black_and_white, 128, 255);
cv::imshow("黑白滤镜", black_and_white);
cv::waitKey(0);
return 0;
}6、反向滤镜
6.1、反向滤镜
一般的rgb图像由红色r、绿色g和蓝色b三个颜色分量构成，三个分量的数值一般为8位二进制数，数值范围在0,255。所以，将用255减去分量的数值所得的结果替换原来分量的数值称为色彩反向。例如一张图像中某个像素点的r分量数值为2，反向后为255 - 2 = 253，即在0，255区间中对调位置、反向了。
代码实现：
// reversal-filter.cpp
// @mango
#include <iostream>
#include<opencv2/opencv.hpp>
int main()
{
cv::Mat img = cv::imread("fruit.jpg");
for (size_t i = 0; i < img.rows; i++)
{
for (size_t j = 0; j < img.cols; j++)
{
for (size_t k = 0; k < 3; k++)
{
img.at<cv::Vec3b>(i, j)[k] = 255 - img.at<cv::Vec3b>(i, j)[k];
}
}
}
cv::imshow("反向滤镜", img);
cv::waitKey(0);
return 0;
}运行结果如下：
