溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容介紹了“如何使用OpenCV實現圖像增強”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
本期將介紹如何通過圖像處理從低分辨率/模糊/低對比度的圖像中提取有用信息。
下面讓我們一起來探究這個過程：
首先我們獲取了一個LPG氣瓶圖像，該圖像取自在傳送帶上運行的倉庫。我們的目標是找出LPG氣瓶的批號，以便更新已檢測的LPG氣瓶數量。
步驟1：導入必要的庫
import cv2import numpy as npimport matplotlib.pyplot as plt
步驟2：加載圖像并顯示示例圖像。
img= cv2.imread('cylinder1.png')img1=cv2.imread('cylinder.png')images=np.concatenate(img(img,img1),axis=1)cv2.imshow("Images",images)cv2.waitKey(0)cv2.destroyAllWindows()
LPG氣瓶圖片（a）批次-D26（b）批次C27
該圖像的對比度非常差。我們幾乎看不到批號。這是在燈光條件不足的倉庫中的常見問題。接下來我們將討論對比度受限的自適應直方圖均衡化，并嘗試對數據集使用不同的算法進行實驗。
步驟3：將圖像轉換為灰度圖像
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)gray_img1=cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
步驟4：找到灰度圖像的直方圖后，尋找強度的分布。
hist=cv2.calcHist(gray_img,[0],None,[256],[0,256])hist1=cv2.calcHist(gray_img1,[0],None,[256],[0,256])plt.subplot(121)plt.title("Image1")plt.xlabel('bins')plt.ylabel("No of pixels")plt.plot(hist)plt.subplot(122)plt.title("Image2")plt.xlabel('bins')plt.ylabel("No of pixels")plt.plot(hist1)plt.show()
步驟5：現在，使用cv2.equalizeHist（）函數來均衡給定灰度圖像的對比度。cv2.equalizeHist（）函數可標準化亮度并增加對比度。
gray_img_eqhist=cv2.equalizeHist(gray_img)gray_img1_eqhist=cv2.equalizeHist(gray_img1)hist=cv2.calcHist(gray_img_eqhist,[0],None,[256],[0,256])hist1=cv2.calcHist(gray_img1_eqhist,[0],None,[256],[0,256])plt.subplot(121)plt.plot(hist)plt.subplot(122)plt.plot(hist1)plt.show()
步驟6：顯示灰度直方圖均衡圖像
eqhist_images=np.concatenate((gray_img_eqhist,gray_img1_eqhist),axis=1)cv2.imshow("Images",eqhist_images)cv2.waitKey(0)cv2.destroyAllWindows()
灰度直方圖均衡
讓我們進一步深入了解CLAHE
步驟7：
對比度有限的自適應直方圖均衡
該算法可以用于改善圖像的對比度。該算法通過創建圖像的多個直方圖來工作，并使用所有這些直方圖重新分配圖像的亮度。CLAHE可以應用于灰度圖像和彩色圖像。有2個參數需要調整。
1. 限幅設置了對比度限制的閾值。默認值為40
2. tileGridsize設置行和列中標題的數量。在應用CLAHE時，為了執行計算，圖像被分為稱為圖塊（8 * 8）的小塊。
clahe=cv2.createCLAHE(clipLimit=40)gray_img_clahe=clahe.apply(gray_img_eqhist)gray_img1_clahe=clahe.apply(gray_img1_eqhist)images=np.concatenate((gray_img_clahe,gray_img1_clahe),axis=1)cv2.imshow("Images",images)cv2.waitKey(0)cv2.destroyAllWindows()
步驟8：
門檻技術
閾值處理是一種將圖像劃分為前景和背景的簡單但有效的方法。如果像素強度小于某個預定義常數（閾值），則最簡單的閾值化方法將源圖像中的每個像素替換為黑色像素；如果像素強度大于閾值，則使用白色像素替換源像素。閾值的不同類型是：
cv2.THRESH_BINARY
cv2.THRESH_BINARY_INV
cv2.THRESH_TRUNC
cv2.THRESH_TOZERO
cv2.THRESH_TOZERO_INV
cv2.THRESH_OTSU
cv2.THRESH_TRIANGLE
嘗試更改閾值和max_val以獲得不同的結果。
th=80max_val=255ret, o1 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_BINARY)cv2.putText(o1,"Thresh_Binary",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)ret, o2 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_BINARY_INV)cv2.putText(o2,"Thresh_Binary_inv",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)ret, o3 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_TOZERO)cv2.putText(o3,"Thresh_Tozero",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)ret, o4 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_TOZERO_INV)cv2.putText(o4,"Thresh_Tozero_inv",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)ret, o5 = cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_TRUNC)cv2.putText(o5,"Thresh_trunc",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)ret ,o6= cv2.threshold(gray_img_clahe, th, max_val, cv2.THRESH_OTSU)cv2.putText(o6,"Thresh_OSTU",(40,100),cv2.FONT_HERSHEY_SIMPLEX,2,(255,255,255),3,cv2.LINE_AA)final=np.concatenate((o1,o2,o3),axis=1)final1=np.concatenate((o4,o5,o6),axis=1)cv2.imwrite("Image1.jpg",final)cv2.imwrite("Image2.jpg",final1)
Thresh_Binary_inv，Thresh_Binary_inv，Thresh_Tozero
Thresh_Tozero_inv，Thresh_trunc，Thresh_OSTU
步驟9：自適應閾值
在上一節中，我們使用了全局閾值來應用cv2.threshold（）。如我們所見，由于圖像不同區域的照明條件不同，因此獲得的結果不是很好。在這些情況下，您可以嘗試自適應閾值化。在OpenCV中，自適應閾值處理由cv2.adapativeThreshold（）函數執行
此功能將自適應閾值應用于src陣列（8位單通道圖像）。maxValue參數設置dst圖像中滿足條件的像素的值。adaptiveMethod參數設置要使用的自適應閾值算法。
cv2.ADAPTIVE_THRESH_MEAN_C：將T（x，y）閾值計算為（x，y）的blockSize x blockSize鄰域的平均值減去C參數。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：將T（x，y）閾值計算為（x，y）的blockSize x blockSize鄰域的加權總和減去C參數。
blockSize參數設置用于計算像素閾值的鄰域的大小，它可以取值3、5、7等。
C參數只是從均值或加權均值中減去的常數（取決于adaptiveMethod參數設置的自適應方法）。通常，此值為正，但可以為零或負。
gray_image = cv2.imread('cylinder1.png',0)gray_image1 = cv2.imread('cylinder.png',0)thresh2 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)thresh3 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 31, 3)thresh4 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 13, 5)thresh5 = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 4)thresh21 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)thresh31 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 31, 5)thresh41 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21,5 )thresh51 = cv2.adaptiveThreshold(gray_image1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 5)final=np.concatenate((thresh2,thresh3,thresh4,thresh5),axis=1)final1=np.concatenate((thresh21,thresh31,thresh41,thresh51),axis=1)cv2.imwrite('rect.jpg',final)cv2.imwrite('rect1.jpg',final1)
自適應閾值
自適應閾值
步驟10：OTSU二值化
gray_image = cv2.imread('cylinder1.png',0)gray_image1 = cv2.imread('cylinder.png',0)ret,thresh2 = cv2.threshold(gray_image,0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)ret,thresh3 = cv2.threshold(gray_image1,0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)cv2.imwrite('rect.jpeg',np.concatenate((thresh2,thresh3),axis=1))
OTSU二值化
現在，我們已經從低對比度的圖像中清楚地識別出批號。
“如何使用OpenCV實現圖像增強”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
