opencv

2024-07-03 21:05:28| 来源: 网络整理| 查看: 265

这里我们先说图像腐蚀图像腐蚀的原理是缩小腐蚀中心的像素值，从而达到降低图片高亮度，凸显灰暗部分的作用。它的实现原理为我们用结构元素1去覆盖图像2中的矩阵，结构元素可以是十字形，矩形，圆形等。覆盖2后结构元素中心像素值替换为该覆盖区域图像2中最小的值。图像腐蚀

Mat src1 = imread("C://Users//Administrator//Desktop//1.jpg"); namedWindow("腐蚀前", 0);//1是自动适应窗口大小，0是可调整 imshow("腐蚀前", src1); Mat src2 =getStructuringElement(MORPH_CROSS, Size(9,9));//参数为（结构元素形状，结构元素矩阵大小），这里是十字形 cout int i = rand() % src2.rows; int j = rand() % src2.cols; if (src2.channels() == 1)//如果是单通道 { src2.at(i, j) = 255; //加白盐 } else//如果是三通道 { src2.at(i, j)[0] = 255; src2.at(i, j)[1] = 255; src2.at(i, j)[2] = 255; } } for (int k = 0; k src2.at(i, j) = 0; //加黑盐 } else { src2.at(i, j)[0] = 0; src2.at(i, j)[1] = 0; src2.at(i, j)[2] = 0; } } return src2; } int main() { Mat src1 = imread("C://Users//Administrator//Desktop//1.jpg"); namedWindow("加盐前", 0); imshow("加盐前", src1); Mat src2 = salt(src1, 3000); namedWindow("加盐后", 0); imshow("加盐后", src2); //存储图像 waitKey(); return 0; }

在这里插入图片描述以及高斯噪点，高斯噪点的随机数服从正态分布，分布比较均匀

double gaosirand(double avage, double Variance)//生成高斯随机数参数是(均值，方差) { const double min = numeric_limits::min();//double 最小值 static double s1;//高斯随机数 double s3, s4;//两个普通随机数 do { s3 = rand() * (1.0 / RAND_MAX);//rand_max是能产生的最大随机数这里是求0-1的随机数 s4 = rand() * (1.0 / RAND_MAX); } while (s3 cols *= rows;//变成一列 rows = 1; } for (int i = 0; i int val = src2.ptr(i)[j] +gaosirand(2, 0.8) * 32;//高斯随机数访问数组元素，ptr是遍历元素比at要快 if (val 255) val = 255; src2.ptr(i)[j] = (uchar)val;//添加高斯噪点 } } return src2; } int main() { Mat src1 = imread("C://Users//Administrator//Desktop//1.jpg"); imshow("原图像", src1); Mat src2 = addgaosirand(src1); imshow("加入高斯噪声后的图像", src2); waitKey(); return 0; }

在这里插入图片描述下面我们进行滤波去噪滤波又叫平滑操作，也同样有多种方法，基本思想都是均值化像素，相当于把噪点像素平摊给周围像素，达到弱化噪点的作用，缺点是分摊噪点后图会“糊了”。这里我们采用均值滤波法。其算法原理是在这里插入图片描述它的含义是取某一像素周围(k.width行，kheight列)个像素相加的平均数取代该像素

int main() { Mat src1 = imread("C://Users//Administrator//Desktop//1.jpg"); namedWindow("原图",0); imshow("原图", src1); Mat src4; blur(src1, src4, Size(9, 9)); namedWindow("原图滤波", 0); imshow("原图滤波", src4); Mat src2 =imread("C://Users//Administrator//Desktop//2.jpg"); namedWindow("椒盐噪点", 0); imshow("椒盐噪点", src2); Mat src5; blur(src2, src5, Size(9, 9)); namedWindow("椒盐滤波", 0); imshow("椒盐滤波", src5); Mat src3= imread("C://Users//Administrator//Desktop//3.jpg"); namedWindow("高斯噪点", 0); imshow("高斯噪点", src3); Mat src6; blur(src3, src6, Size(9, 9)); namedWindow("高斯噪点滤波", 0); imshow("高斯噪点滤波", src6); waitKey(); return 0; }

掩膜mask可理解为抠图，也是与原图进行逻辑“&”运算 Canny算法的原理是设定上下阈值，下界且上界的视为边界

Mat src1 = imread("C://Users//Administrator//Desktop//1.jpg"); namedWindow("原图",0); imshow("原图", src1); Mat src2, src3, src4, src5;//src2是src1的灰度图，src3是src3的二值化图，src4是src3第一次提取轮廓，src5是src3第二次地区轮廓并与src1掩膜操作 src2.create(src1.size(), src1.type()); cvtColor(src1, src2, CV_BGR2GRAY); blur(src2, src4, Size(3, 3)); Canny(src4, src4, 3, 9, 3);//边缘提取算法，上下阈值最好相差3倍，此时src4粗存的只有0和255，0是黑，255是白其中参数为(输入图，输出边缘结果图，阈值上下限，sobe算子，默认为3*3的卷积矩阵) namedWindow("轮廓图", 0); imshow("轮廓图", src4); src5 = Scalar::all(0);//全黑 src1.copyTo(src5, src4);//src1与src4掩膜给src5 其实就是src4&src1运算，0&src4.element=0，255&src4.element=src4.elementx namedWindow("轮廓图2", 0); imshow("轮廓图2", src5);//这次运算轮廓有颜色了 waitKey(); return 0;

在这里插入图片描述梯度：是一个向量，物理意义是某个平面，总有一个方向(x,y,z)使得平面变化最大(也可以理解为平面最陡峭的方向)，这个方向就是梯度。我们可以得知平面有无数个点，每一个点都可以朝着方向(cosa,cosb,cosy)拓展，方向导数可以表示为在这里插入图片描述，而最大的方向导数就是梯度的方向，最大方向导数的值就是梯度的长度，该导数的方向就是梯度的方向。扩展到图中的每一个像素，梯度是图像变化最大的方向，也就是物体轮廓的边界部分。我们建立坐标系(x,y)图像可作为二维函数表示在x方向上的导数，也就是沿着水平方向的变化在这里插入图片描述当h=1，也就是移动一个像素的时候得到最小梯度为f(x+1,y)-f(x,y)，恰好是向左移动一个单位在y方向上的导数，也就是沿垂直方向的变化当h=1，也就是移动一个像素的时候得到最小梯度为f(x,y+1)-f(x,y)向下移动一个像素梯度的幅值指的是相邻像素的差异比较，结果为在这里插入图片描述梯度的方向角如下，方向角和幅值也能表示梯度的方向卷积：假如我们有一张白纸，沿对角线卷起来面积也s=s1+s2+s3,用积分表示也就是卷积积分在图像识别当中原图矩阵f 卷积核矩阵(通常由训练得出特征值) 在这里插入图片描述这里因为(n-i)是递减的，而矩阵的存储顺序是递增的，计算的时候我们要将它反转180° 我们将g矩阵以g的中心元素(这里是1)依次对准f矩阵的每一个元素。这样f矩阵就会与g矩阵整体相重合，f边界外没有行列，g无法重合，我们就计该处f的值为0，然后我们利用公式在这里插入图片描述 (这里的i,j是g中的行列数，要求g反转180°)得到结果矩阵s