深度学习基础.docx

《深度学习基础.docx》由会员分享，可在线阅读，更多相关《深度学习基础.docx（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、深度学习基础opencv用来做什么对数据进展预处理以及后处理。相比于PIL来讲opencv可以实现的功能更多核心操作opencv拿来做什么对数据进展预处理以及后处理。相比于PIL来讲opencv可以实现的功能更多常见的图像1.在图像中有宽高通道等概念。我们常见的图像格式有bmp位图jpgpngbmp是一种原始的图像格式存储的空间非常高图像压缩有损以及无损。一般是通过傅里叶变换将时域转频域然后去掉一些东西得到的。jpgjpg是对bmp的图像进展有损压缩后得到的。pngjpg一般是三通道wwcpng一般是四通道hwca通道a代表透明度。图像读取1.读取图片importcv2imgcv2.imrea

2、d(r途径)#可以设置读出的格式cv2.imshow(pic,img)#数据类型是np.ndarraycv2.waitKey(0)#读出的是HWC2.写图像importnumpyasnpimportcv2imgnp.empty(200,200,3),np.uint8)img.,0255#.表示前面的维度都保存取索引为0的通道img.,10#读出来的为bgr以及一般的rgb有差异img.,20imgimg.,:-1#将图像转为RGB格式numpy数组操作cv2.imwrite(img_save.jpg,img)3.视频读取importcv2capcv2.VideoCapture(F:1.mp4)

3、#读取摄像头视频,或给一个rtsp的视频流whileTrue:视频是由图片一帧一帧组合而成的所以用一个循环来一帧一帧读取视频图片ret表示是否读取成功frame表示读取出来的图像ret,framecap.read()cv2.imshow(frame,frame)ifcv2.waitKey(10)0xFFord(q):#读取一张图片之后等待的时间以及一个监听按键breakcap.release()cv2.destroyAllWindows()色彩空间与转换HSV颜色空间HSV格式中H色彩/色度S饱以及度V亮度,可以用来表示一种颜色的深浅度,HSV的像素是连续的。比照度对亮度进展操作在每一个像素上

4、进展一个乘法运算即乘以a再加上一个bimportcv2srccv2.imread(r1.jpg)#dstcv2.cvtColor(src,cv2.COLOR_BGR2GRAY)#dstcv2.cvtColor(src,cv2.COLOR_BGR2HSV)#print(dst.shape)dst2cv2.convertScaleAbs(src,alpha6,beta1)#alpha为进展放大的倍数cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst2)cv2.waitKey(0)画图图像坐标是知足笛卡尔坐标系的importcv2importnumpyasnp

5、imgcv2.imread(r1.jpg)thickness设置为-1表示图形的填充cv2.line(img,(100,30),(210,180),color(0,0,255),thickness2)cv2.circle(img,(50,50),30,(0,0,255),2)cv2.rectangle(img,(100,30),(210,180),color(0,0,255),thickness2)cv2.ellipse(img,(100,100),(100,50),0,0,360,(255,0,0),-1)ptsnp.array(10,5,50,10,70,20,20,30,np.int32

6、)ptspts.reshape(-1,1,2)cv2.polylines(img,pts,True,(0,0,255),2)cv2.putText(img,beautifulgirl,(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),1,lineTypecv2.LINE_AA)cv2.imshow(picshow,img)cv2.waitKey(0)阈值操作1.二值化将RGB图像转为灰度图然后进展二值化操作importcv2imgcv2.imread(1.jpg)graycv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,bi

7、narycv2.threshold(gray,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)cv2.imshow(gray,gray)cv2.imshow(binary,binary)cv2.waitKey(0)2.自适应阈值importcv2importnumpyasnpfrommatplotlibimportpyplotaspltimgcv2.imread(2.jpg,0)#必需要转灰度图在进展阈值操作#imgcv2.GaussianBlur(img,(5,5),0)ret,th1cv2.threshold(img,127,255,cv2.THRESH_B

8、INARY)#原始th2cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)#平均th3cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)#高斯titlesOriginalImage,GlobalThresholding(v127),AdaptiveMeanThresholding,AdaptiveGaussianThresholdingimagesimg,th1,th2

9、,th3foriinrange(4):plt.subplot(2,2,i1),plt.imshow(imagesi,gray)#将四图画出来plt.title(titlesi)plt.xticks(),plt.yticks()#消除坐标框plt.show()图像上的运算计算的时候会有一个范围限制0,255超过会被自动设置为最大值importcv2importnumpyasnpxnp.uint8(250)ynp.uint8(10)print(cv2.add(x,y)print(cv2.subtract(y,x)按位运算与或者非importcv2img1cv2.imread(1.jpg)img2c

10、v2.imread(6.jpg)#imgcv2.add(img1,img2)#dstcv2.addWeighted(img1,0.7,img2,0.3,0)#像素权重交融#cv2.imshow(.,dst)#cv2.waitKey(0)rows,cols,channelsimg1.shaperoiimg10:rows,0:colsimg2graycv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)ret,maskcv2.threshold(img2gray,10,255,cv2.THRESH_BINARY)#cv2.imshow(dd,mask)#cv2.waitKey(

11、0)#exit()mask_invcv2.bitwise_not(mask)#非操作#cv2.imshow(dd,mask_inv)img1_bgcv2.bitwise_and(roi,roi,maskmask_inv)#与操作#cv2.imshow(img1_bg,img1_bg)#cv2.waitKey(0)#exit()img2_fgcv2.bitwise_and(img2,img2,maskmask)#与操作cv2.imshow(img2_fg,img2_fg)cv2.waitKey(0)exit()dstcv2.add(img1_bg,img2_fg)#加法操作img10:rows,

12、0:colsdstcv2.imshow(res,img1)cv2.waitKey(0)图像的几何变换1.仿射变换线性变换原理任意一个二维图像乘以一个仿射矩阵都可以进展图像的变换。仿射变换是在三维空间进展的所以会对二维图像加一个维度。乘以不同的仿射矩阵对形状有不同的变化平移变换翻转变换倾斜变换代码实现importcv2importnumpyasnpsrccv2.imread(1.jpg)rows,cols,channelsrc.shape#矩阵的第三层没有表示出来Mnp.float32(1,0,50,0,1,50)#平移Mnp.float32(0.5,0,0,0,0.5,0)#缩小操作Mnp.f

13、loat32(-0.5,0,cols/2,0,0.5,0)#翻转加缩小Mnp.float32(1,0.5,0,0,1,0)#倾斜Mcv2.getRotationMatrix2D(cols/2,rows/2),45,0.7)dstcv2.warpAffine(src,M,(cols,rows)cv2.imshow(srcpic,src)cv2.imshow(dstpic,dst)cv2.waitKey(0)透视变换在初始图像上寻找四个点然后拉伸带二维平面作为输出。需要确定的就是四个角的坐标位置以及进展拉伸的四个点的位置会根据这四个点得到一个透视矩阵对图像进展变换importcv2importnu

14、mpyasnpimgcv2.imread(2.jpg)pts1np.float32(25,30,179,25,12,188,189,190)pts2np.float32(0,0,200,0,0,200,200,200)Mcv2.getPerspectiveTransform(pts1,pts2)dstcv2.warpPerspective(img,M,(200,201)cv2.imshow(src,img)cv2.imshow(dst,dst)cv2.waitKey(0)膨胀操作膨胀操作的前提是图像是一个二值图。膨胀操作膨胀的是白颜色的区域黑颜色的区域不会进展膨胀。前提是二值图膨胀以及腐蚀都是

15、在白色的像素上进展的开操作先腐蚀后膨胀用于去噪闭操作先膨胀在腐蚀补破绽梯度膨胀减去腐蚀的就是一个提取轮廓的操作顶帽操作是先做开运算然后用原图减去开运算用处是提取原图中的噪点黑帽操作是原图像转区闭运算用处是获取到原图上面的噪点importcv2ascvimgcv.imread(4.jpg,0)#后面的数字为设置膨胀尺度kernelcv.getStructuringElement(cv.MORPH_RECT,(3,3)#dstcv.dilate(img,kernel)#膨胀#dstcv.erode(img,kernel)#腐蚀#dstcv.morphologyEx(img,cv.MORPH_OPE

16、N,kernel)#开#dstcv.morphologyEx(img,cv.MORPH_CLOSE,kernel)#闭#dstcv.morphologyEx(img,cv.MORPH_GRADIENT,kernel)#梯度#dstcv.morphologyEx(img,cv.MORPH_TOPHAT,kernel)#顶帽dstcv.morphologyEx(img,cv.MORPH_BLACKHAT,kernel)#黑帽cv.imshow(src,img)cv.imshow(dst,dst)cv.waitKey(0)图像滤波滤波的概念对图像的分析分为时域以及频域时域分析与空间有关的在图像像素或

17、语音信号上取位置的某一个点的分析频域分析分析的是两个点之间的变化滤波滤波就是把不需要的滤波频域信号去点的操作滤波分为低通滤波高通滤波中值滤波阻带滤波对于一张图像背景图一般为低频信号轮廓一般为高频信号。低通滤波就是去掉轮廓信息留下背景信息表现为使图像变模糊主要用于去噪高通滤波就是用于提取轮廓低通滤波卷积高斯滤波卷积从左到有依次为像素图卷积核特征图。根据卷积核的特性来保存下某一种特性的特征图。importcv2importnumpyasnpsrccv2.imread(r1.jpg)kernelnp.array(1,1,0,1,0,-1,0,-1,-1,np.float32)#定义一个核dstcv2

18、.filter2D(src,-1,kernelkernel)cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)均值滤波均值滤波字面上理解就是平均值其卷积核(3x3为例)如下importcv2srccv2.imread(r1.jpg)dstcv2.blur(src,(3,3)cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)高斯滤波高斯滤波一般用来去除高斯噪点高斯噪点分布类似于高斯分布的噪点importcv2importnumpyasnpsrccv2.imr

19、ead(r1.jpg)#高斯滤波dstcv2.GaussianBlur(src,(3,3),1)#方差为1的高斯滤波cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)中值滤波中值滤波将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波一般用来处理椒盐噪点如下列图所示importcv2srccv2.imread(r5.jpg)dstcv2.medianBlur(src,3)cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)双边滤波双边

20、滤波是一种非线性的滤波方法是结合图像的空间邻近度以及像素值相似度的一种折中处理。处理断断续续的线importcv2srccv2.imread(r5.jpg)dstcv2.bilateralFilter(src,9,75,75)cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)效果明显没有中值滤波好所以采用哪种滤波要根据噪声来确定。锐化算子laplacian算子周围能量降低中间能量变高轮廓更加突出高通滤波需要自己定义一个滤波器其卷积核(3x3为例)如下importcv2importnumpyasnpsrccv2.imread(

21、r1.jpg)Laplacenp.array(0,-1,0,-1,5,-1,0,-1,0,np.float32)#定义一个滤波核dstcv2.filter2D(src,-1,kernelLaplace)cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)USM锐化先进展高斯滤波再让原图以及滤波后的图进展加权叠加把低频信号尽量去掉importcv2srccv2.imread(r1.jpg)dstcv2.GaussianBlur(src,ksize(5,5),sigmaX0)#先高斯,作用是模糊去噪dstcv2.addWeight

22、ed(src,3,dst,-2,0)#后加权cv2.imshow(srcshow,src)cv2.imshow(dstshow,dst)cv2.waitKey(0)梯度算子梯度算子分为sobelscharrlaplacian梯度滤波器SobelScharr其实就是求一阶或者二阶导数。Scharr是对Sobel使用小的卷积核求解求解梯度角度时的优化。Laplacian是求二阶导数。sobel算子sobel算子是高斯平滑以及微分操作的结合体所以它的抗噪声才能很强梯度算子有两个方向即X以及Y方向X以及Y方向都有各自的作用既对图像进展了去噪也完成了主要特征的提取X方向上从横向上来看求得是相邻像素的插值

23、即高通滤波从纵向上来看类似于变形的高斯滤波即低通滤波Y方向上从纵向上来看求得是相邻像素的插值即高通滤波从横向上来看类似于变形的高斯滤波即低通滤波计算梯度幅值以及方向实当代码以及效果importcv2srccv2.imread(r2.jpg)dst1cv2.Sobel(src,-1,1,0)#只计算x方向的梯度dst2cv2.Sobel(src,-1,0,1)#只计算y方向的梯度dstcv2.add(dst2,dst1)cv2.imshow(srcshow,src)cv2.imshow(dst2show,dst2)cv2.imshow(dst1show,dst1)cv2.imshow(dstshow,dst)cv2.waitKey(0)X上效果Y上的效果相加效果Scharr算子scharr算子是sobel的一种改良版本实际上是将提取的效率提升了几倍实当代码以及效果