图像基本处理

总体描述

给定图像，实现图像的代数运算（+、－）、逻辑运算（与或非）以及几何运算（平移、旋转、对称、缩放等）

要求

要求 1：学会运用图像代数运算实现图像二次曝光效果以及前景目标提取
要求 2：应用逻辑运算进行模板提取
要求 3：应用几何运算实现图像数据增强
考核点：应用代数运算、逻辑运算、几何运算，结合实际问题设计并实现技术方案

代码

import cv2
import numpy as np

img1=cv2.imread('H:/CV/1(1).jpg')
img2=cv2.imread('H:/CV/2(1).jpg')


#二次曝光
add_img=cv2.addWeighted(img1,0.7,img2,0.3,0)
# 显示结果
cv2.namedWindow('add_img',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('add_img',400,600)
cv2.imshow('add_img',add_img)
cv2.waitKey(0)
cv2.destroyAllWindows()




#前景目标提取
grayscale_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
# 应用阈值分割（将灰度图像转换为二值图像）
ret, binary_img = cv2.threshold(grayscale_img1, 127, 255, cv2.THRESH_BINARY)
# 显示结果
cv2.namedWindow('result',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('result',400,600)
cv2.imshow('result', binary_img)
cv2.waitKey(0)
cv2.destroyAllWindows()





img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) 
img2_gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) 
# 应用阈值分割将模板图像转换为二值图像，并获取掩膜图像 
dst, mask = cv2.threshold(img2_gray, 127, 255, cv2.THRESH_BINARY) 
# 应用掩膜对原图像进行位运算并显示结果 
result = cv2.bitwise_and(img1_gray, mask)
# 显示结果
cv2.namedWindow('result',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('result',400,600)
cv2.imshow('result', result) 
cv2.waitKey(0) 
cv2.destroyAllWindows() 
# bitwise_and()函数用于应用掩膜对原图像进行位运算。
# 通过修改阈值、调整掩膜等参数可以得到不同的模板提取效果。





# 平移变换（向右平移50个像素，向下平移100个像素） 
rows, cols = img1.shape[:2] 
M = np.float32([[1, 0, 50], [0, 1, 100]]) 
shifted_img = cv2.warpAffine(img1, M, (cols, rows)) 
# 显示结果
cv2.namedWindow('shifted image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('shifted image',400,600)
cv2.imshow('shifted image', shifted_img) 
cv2.waitKey(0) 
cv2.destroyAllWindows() 





# 旋转变换（逆时针旋转30度） 
M = cv2.getRotationMatrix2D((cols/2, rows/2), 30, 1) 
rotated_img = cv2.warpAffine(img1, M, (cols, rows))
# warpAffine()函数用于进行平移和旋转变换
# 显示结果
cv2.namedWindow('rotated image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('rotated image',400,600)
cv2.imshow('rotated image', rotated_img) 
cv2.waitKey(0) 
cv2.destroyAllWindows() 




# 缩放变换（缩小一倍） 
scaled_img = cv2.resize(img1, None, fx=0.5, fy=0.5) 
# resize()函数用于进行缩放变换
# 显示结果
cv2.namedWindow('scaled image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('scaled image',400,600)
cv2.imshow('scaled image', scaled_img) 
cv2.waitKey(0) 
cv2.destroyAllWindows() 





# 翻转变换（水平翻转） 
flipped_img = cv2.flip(img1, 1) 
# flip()函数用于进行翻转变换
# 显示结果
cv2.namedWindow('flipped image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('flipped image',400,600)
cv2.imshow('flipped image', flipped_img) 
cv2.waitKey(0) 
cv2.destroyAllWindows() 

图像滤波

总体描述

在空域与频域图像处理中，滤波操作是图像预处理子系统的常用技术手段，请针对无人驾驶视觉系统中采集图像可能存在的各种因素影响，设计并实现图像预处理子系统。

要求

要求 1：不同天气条件下的图像增强
要求 2：不同光照条件下的图像增强
要求 3：分析不同卷积核对结果的影响
考核点：设计与实现预处理子系统，并根据实际结果分析对比，进行方案优选，确定并实现最终子系统

代码

import cv2
import numpy as np

# 读取原始图像
img = cv2.imread('H:/CV/test_image.jpg')
# 显示结果
cv2.namedWindow('original image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('original image',400,600)
cv2.imshow('original image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()






# 不同天气条件下的图像增强
# GaussianBlur()：高斯模糊滤波器，可用于去噪。
blur_img = cv2.GaussianBlur(img, (5, 5), 0)
# 提高对比度和亮度
alpha = 1.5 # 对比度调整参数（1.0为原始值）
beta = 50 # 亮度调整参数（0为原始值）
# convertScaleAbs()：对图像进行线性变换以提高对比度和亮度。
enhanced_img = cv2.convertScaleAbs(blur_img, alpha=alpha, beta=beta)
# 显示结果
cv2.namedWindow('enhanced image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('enhanced image',400,600)
cv2.imshow('enhanced image', enhanced_img)
cv2.waitKey(0)
cv2.destroyAllWindows()





# 不同光照条件下的图像增强
# 直方图均衡化提高对比度
# cvtColor()：将彩色图像转换为灰度图像。
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# equalizeHist()：直方图均衡化操作，可用于提高对比度。
equalized_img = cv2.equalizeHist(gray_img)
# 显示结果
cv2.namedWindow('equalized image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
cv2.resizeWindow('equalized image',400,600)
cv2.imshow('equalized image', equalized_img)
cv2.waitKey(0)
cv2.destroyAllWindows()





# 分析不同卷积核对结果的影响
kernel_sizes = [3, 5, 7]

for size in kernel_sizes:
    # 定义卷积核并应用滤波操作（平均模糊）
    kernel = np.ones((size, size), np.float32) / (size * size)
    # filter2D()：通用卷积函数，可应用不同大小的卷积核进行平均模糊等操作。
    filtered_img = cv2.filter2D(img, -1, kernel)
    cv2.namedWindow('filtered image',cv2.WINDOW_NORMAL|cv2.WINDOW_KEEPRATIO)
    cv2.resizeWindow('filtered image',400,600)
    cv2.imshow('filtered image', filtered_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()