【计算机视觉】数字图像与机器视觉基础

news/2025/1/15 21:48:46/

目录

  • 一、位图文件分析
    • 1. 什么是位图
    • 2. BMP位图文件
    • 3. BMP文件结构
    • 4. 位图文件头
    • 5. 位深度
    • 6. 不同位深度图像对比
  • 二、对比不同文件格式的图片文件大小
  • 三、基于奇异值分解(SVD)提取图片特征值
  • 四、开闭运算检测图像中硬币和细胞的个数
    • 1. 检测硬币数量
    • 2. 检测细胞数量
  • 五、图片条形码定位
  • 六、总结
  • 七、参考

一、位图文件分析

1. 什么是位图

  位图图像（bitmap），亦称为点阵图像或栅格图像，是由称作像素（图片元素）的单个点组成的。这些点可以进行不同的排列和染色以构成图样。当放大位图时，可以看见赖以构成整个图像的无数单个方块。扩大位图尺寸的效果是增大单个像素，从而使线条和形状显得参差不齐。然而，如果从稍远的位置观看它，位图图像的颜色和形状又显得是连续的。用数码相机拍摄的照片、扫描仪扫描的图片以及计算机截屏图等都属于位图。位图的特点是可以表现色彩的变化和颜色的细微过渡，产生逼真的效果，缺点是在保存时需要记录每一个像素的位置和颜色值，占用较大的存储空间。

2. BMP位图文件

  常见的图像文件格式有：BMP、JPG(JPE,JPEG)、GIF等。
  BMP图像文件(Bitmap-File)格式是Windows采用的图像文件存储格式，在Windows环境下运行的所有图像处理软件都支持这种格式。BMP位图文件默认的文件扩展名是.BMP，有时它也会以.DIB或.RLE作扩展名。
  本文采用SL.bmp(2880 x 1440)示例：
在这里插入图片描述

3. BMP文件结构

BMP文件由4部分组成：

  1. 位图文件头(bitmap-file header)
  2. 位图信息头(bitmap-informationheader)
  3. 颜色表(color table)
  4. 颜色点阵数据(bits data)

4. 位图文件头

位图文件头分4部分，共14字节：

bfType：2字节，作为标识，就是“BM”二字。
bfSize：4字节，整个BMP文件的大小。
bfReserved1/2：4字节，保留字，没用。
bfOffBits：4字节，偏移数，即 位图文件头+位图信息头+调色板 的大小。

5. 位深度

看图像属性，位深度，如果是24，就说明图片是24位真彩色
在这里插入图片描述

  • 单色位图：每个像素最多可以表示2种颜色，只需要使用长度为1的二进制位来表示，因此每个像素占1/8byte。
  • 16色位图：每个像素最多可以表示16种颜色，所以只需要长度为4的二进制表示，因此每个像素占1/2byte。
  • 256色位图：每个像素最多可以表示256中颜色，所以只需要长度是8的二级制位表示就可以了，因此每个像素占1byte。
  • 24位位图：即RGB三原色位图每个像素占3个byte。

BMP图像大小计算公式： 大小= 分辨率*位深度/8

6. 不同位深度图像对比

  将原图其分别保存为256色、16色、单色的位图(BMP)文件，并对比文件大小。
在这里插入图片描述

二、对比不同文件格式的图片文件大小

  将原图其分别保存为为BMP、JPG、GIF和PNG格式，对比它们的文件大小。
在这里插入图片描述

三、基于奇异值分解(SVD)提取图片特征值

  奇异值分解(Singular Value Decomposition，以下简称SVD)是一种重要的矩阵分解方法，也是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。是很多机器学习算法的基石。
  本文采用SL.png(2880 x 1440)示例：
在这里插入图片描述
代码准备：

# -*- coding: utf-8 -*-
#!/usr/bin/python
#  -*- coding:utf-8 -*-import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprintdef restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量m = len(u)n = len(v[0])a = np.zeros((m, n))for k in range(K):uk = u[:, k].reshape(m, 1)vk = v[k].reshape(1, n)a += sigma[k] * np.dot(uk, vk)a[a < 0] = 0a[a > 255] = 255# a = a.clip(0, 255)return np.rint(a).astype('uint8')def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量m = len(u)n = len(v[0])a = np.zeros((m, n))for k in range(K+1):for i in range(m):a[i] += sigma[k] * u[i][k] * v[k]a[a < 0] = 0a[a > 255] = 255return np.rint(a).astype('uint8')if __name__ == "__main__":A = Image.open("SL.png", 'r')print(A)output_path = r'./SVD_Output'if not os.path.exists(output_path):os.mkdir(output_path)a = np.array(A)print(a.shape)K = 50u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])plt.figure(figsize=(11, 9), facecolor='w')mpl.rcParams['font.sans-serif'] = ['simHei']mpl.rcParams['axes.unicode_minus'] = Falsefor k in range(1, K+1):print(k)R = restore1(sigma_r, u_r, v_r, k)G = restore1(sigma_g, u_g, v_g, k)B = restore1(sigma_b, u_b, v_b, k)I = np.stack((R, G, B), axis=2)Image.fromarray(I).save('%s\\svd_%d.png' % (output_path, k))if k <= 12:plt.subplot(3, 4, k)plt.imshow(I)plt.axis('off')plt.title('奇异值个数：%d' % k)plt.suptitle('SVD与图像分解', fontsize=20)plt.tight_layout(0.3, rect=(0, 0, 1, 0.92))# plt.subplots_adjust(top=0.9)plt.show()

运行结果：
在这里插入图片描述

四、开闭运算检测图像中硬币和细胞的个数

1. 检测硬币数量

在这里插入图片描述

代码准备：

#导入函数库
import cv2
import numpy as np
#读取一张硬币图像
img=cv2.imread("coins2.jpg")
#低通滤波处理
#对图像进行泛洪处理
h, w = img.shape[:2] #获取图像的长和宽
mask = np.zeros((h+2, w+2), np.uint8)#进行图像填充
cv2.floodFill(img, mask, (w-1,h-1), (255,255,255), (2,2,2),(3,3,3),8) 
#图像灰度化
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#通过高斯滤波对图像进行模糊处理，可以理解为对图像硬币去噪
blur=cv2.cv2.GaussianBlur(gray,(29,29),0,0)#这里可以用中值滤波，具体视对图像效果选择
cv2.imshow("blur",blur)
cv2.waitKey(0)
#通过二进制阈值化对图像进行阈值化处理，将硬币轮廓与周围噪声区分开来
ret,thresh1=cv2.threshold(blur,127,255,cv2.THRESH_BINARY)
cv2.imshow("thresh1",thresh1)
cv2.waitKey(0)
#进行闭运算，去除图像内部噪声
kernel = np.ones((7,7), np.uint8)#设置卷积核
close=cv2.morphologyEx(thresh1, cv2.MORPH_CLOSE, kernel)#闭运算
cv2.imshow("close",close)
cv2.waitKey(0)
#利用canny算法对图像进行轮廓提取
Canny = cv2.Canny(close, 20, 150)
#显示图像轮廓提取图像
cv2.imshow("Canny",Canny)
#等待键盘键值关闭
cv2.waitKey(0)
#在提取出的轮廓图像中找出轮廓线条
(cnts1,_) =cv2.findContours(Canny,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#在终端打印出硬币个数
print("图像中的硬币共有:",len(cnts1),"个")
#将硬币轮廓线条画在原图
coins1 = img.copy()
cv2.drawContours(coins1, cnts1, -1, (0,255,0), 2)
#显示在原图上面检测出来的硬币
cv2.imshow("coins",coins1)
#等待键盘键值关闭
cv2.waitKey(0)

运行结果：
在这里插入图片描述
共24个硬币，识别正确。

2. 检测细胞数量

请添加图片描述

代码准备：

#导入函数库
import cv2
import numpy as np
#读取一张硬币图像
img = cv2.imread("Cell1.jpg")
#低通滤波处理
#对图像进行泛洪处理
h, w = img.shape[:2]  # 获取图像的长和宽
mask = np.zeros((h+2, w+2), np.uint8)  # 进行图像填充
cv2.floodFill(img, mask, (w-1, h-1), (255, 255, 255), (2, 2, 2), (3, 3, 3), 8)
#图像灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#通过高斯滤波对图像进行模糊处理，可以理解为对图像细胞去噪
blur = cv2.cv2.GaussianBlur(gray, (3, 3), 0, 0)  # 这里可以用中值滤波，具体视对图像效果选择
#cv2.imshow("blur", blur)
#cv2.waitKey(0)
#通过二进制阈值化对图像进行阈值化处理，将细胞轮廓与周围噪声区分开来
ret, thresh1 = cv2.threshold(blur, 189, 255, cv2.THRESH_BINARY)
#cv2.imshow("thresh1", thresh1)
#cv2.waitKey(0)
#进行闭运算，去除图像内部噪声
kernel = np.ones((7, 7), np.uint8)  # 设置卷积核
close = cv2.morphologyEx(thresh1, cv2.MORPH_CLOSE, kernel)  # 闭运算
#cv2.imshow("close", close)
#cv2.waitKey(0)
#利用canny算法对图像进行轮廓提取
Canny = cv2.Canny(close, 20, 150)
#显示图像轮廓提取图像
cv2.imshow("Canny", Canny)
#等待键盘键值关闭
cv2.waitKey(0)
#在提取出的轮廓图像中找出轮廓线条
(cnts1, _) = cv2.findContours(Canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#在终端打印出细胞个数
print("图像中的细胞共有:", len(cnts1), "个")
#将细胞轮廓线条画在原图
coins1 = img.copy()
cv2.drawContours(coins1, cnts1, -1, (0, 255, 0), 2)
#显示在原图上面检测出来的细胞
cv2.imshow("Cells", coins1)
#等待键盘键值关闭
cv2.waitKey(0)

运行结果：
在这里插入图片描述
由于图片光线不均，识别结果具有一定误差。

五、图片条形码定位

请添加图片描述
代码准备：

import cv2
import pyzbar.pyzbar as pyzbar
import numpy
from PIL import Image, ImageDraw, ImageFontdef decodeDisplay(img_path):img_data = cv2.imread(img_path)# 转为灰度图像gray = cv2.cvtColor(img_data, cv2.COLOR_BGR2GRAY)barcodes = pyzbar.decode(gray)for barcode in barcodes:# 提取条形码的边界框的位置# 画出图像中条形码的边界框(x, y, w, h) = barcode.rectcv2.rectangle(img_data, (x, y), (x + w, y + h), (0, 255, 0), 2)# 条形码数据为字节对象，所以如果我们想在输出图像上# 画出来，就需要先将它转换成字符串barcodeData = barcode.data.decode("utf-8")barcodeType = barcode.type#不能显示中文# 绘出图像上条形码的数据和条形码类型#text = "{} ({})".format(barcodeData, barcodeType)#cv2.putText(imagex1, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX,5, (0, 0, 125), 2)#更换为：img_PIL = Image.fromarray(cv2.cvtColor(img_data, cv2.COLOR_BGR2RGB))# 参数（字体，默认大小）font = ImageFont.truetype('msyh.ttc', 35)# 字体颜色（rgb)fillColor = (0, 255, 255)# 文字输出位置position = (x, y-50)# 输出内容str = barcodeData# 需要先把输出的中文字符转换成Unicode编码形式(  str.decode("utf-8)   )draw = ImageDraw.Draw(img_PIL)draw.text(position, str, font=font, fill=fillColor)# 使用PIL中的save方法保存图片到本地img_PIL.save('1.jpg', 'jpeg')# 向终端打印条形码数据和条形码类型print("扫描结果==》 类别： {0} 内容： {1}".format(barcodeType, barcodeData))if __name__ == '__main__':decodeDisplay("ma.jpg")

运行结果：
请添加图片描述

六、总结

  本文简单介绍了位图，并对比了不同格式的图像的大小。并使用SVD对图像进行特征值提取，并识别了硬币和细胞的个数，最后对条形码进行得提取。

七、参考

https://blog.csdn.net/aidem_brown/article/details/80500637

https://blog.csdn.net/qq_42451251/article/details/108056501

https://www.jianshu.com/p/9c922274ed8d


http://www.ppmy.cn/news/531931.html

相关文章

【CV/Matlab系列】基于matlab GUI的数字图像处理系统设计【含Matlab源码】

【CV/Matlab系列】基于matlab GUI的数字图像处理系统设计【含Matlab源码】

DATE： 2020.10.18 文章目录 0、代码获取方式1、前言2、数字图像处理平台展示2.1、初始界面2.2、示例1（FFT）2.3、示例2（平滑滤波）2.4、示例3（锐化）2.5、示例4（Sobel边缘检测）2.6、示例5（图像复原）0、代码获取方式 方式一：订阅付费专栏 《毕业设计代码进阶版》，可获…
阅读更多...
C语言数字图像处理---1.1图像的像素格式与图像读写

C语言数字图像处理---1.1图像的像素格式与图像读写

前言 本专栏面向所有希望或有兴趣从事数字图像处理工作、学习或研究的朋友&#xff0c;不懂MATLAB和OPENCV没关系&#xff0c;仅需要基础的C语言知识&#xff0c;便可以通过本专栏内容轻松入门数字图像处理方向。目前市面上的数字图像处理书籍种类繁多&#xff0c;往往令人眼花…
阅读更多...
数字图像处理-数字水印的嵌入与提取

数字图像处理-数字水印的嵌入与提取

数字水印嵌入与提取 //本篇报告所有内容已上传csdn我的资源中&#xff08;包括源码与报告word和ppt&#xff09;&#xff0c;欢迎大家下载进行进一步修改研究。摘要&#xff1a;本报告重点介绍数字水印的嵌入与提取算法。数字水印根据水印的嵌入技术不同分为空间域数字水印和变…
阅读更多...
数字图像处理——高斯低通滤波器（GLPF）实验报告

数字图像处理——高斯低通滤波器（GLPF）实验报告

一、程序代码及注释 1、myGLPF函数 %pho参数为输入图像的路径 %D0参数为截止频率 function im2 myGLPF(pho,D0) ima imread(pho); %读取输入图像 %得到高斯低通滤波器 [r,c] size(ima); %获取输入图像的行和列 D zeros(r,c); %D(u,v)是距频率矩形中心的距离 for i1…
阅读更多...
使用pytesseract进行图像识别字母和数字 (python3.x)

使用pytesseract进行图像识别字母和数字 (python3.x)

前言 策划说&#xff0c;有一些玩家会在头像上面p自己的微信号或者QQ号之类的&#xff0c;可不可以把他们自动筛选出来&#xff0c;于是找了资料研究了下&#xff0c;这里分享一下 先看运行效果 环境准备&#xff1a; (1) python版本3.x (2) 安装插件&#xff0c;pip3 insta…
阅读更多...
数字图像处理(2): 颜色空间/模型—— RGB, CMY/CMYK, HSI, HSV, YUV

数字图像处理(2): 颜色空间/模型—— RGB, CMY/CMYK, HSI, HSV, YUV

目录 1 什么是颜色 2 颜色的数字化 3 常见的颜色模型 3.1 RGB 模型 3.2 CMY/CMYK 模型 3.3 HSI 模型 3.4 HSV 模型 3.5 HSB 模型 3.6 Lab 模型 3.7 YUV 模型 3.8 模型分类 4 Python代码示例 参考资料 1 什么是颜色 颜色是通过眼、脑和我们的生活经验所产生的对光的…
阅读更多...
数字图像处理--前言

数字图像处理--前言

文章结构 1. 基本概念2. 关于视觉感知3. 数字图像的表示 图像处理系列笔记&#xff1a; https://blog.csdn.net/qq_33208851/article/details/95335809 1. 基本概念 图像是一个二维亮度函数f(x,y),&#xff08;x,y)定义了空间坐标&#xff0c;f&#xff08;x,y)该点的亮度或灰…
阅读更多...
数字图像处理--放大和收缩数字图像（双线性插值法）

数字图像处理--放大和收缩数字图像（双线性插值法）

数字图像处理--放大和收缩数字图像&#xff08;双线性插值法&#xff09; 前言放大和收缩数字图像步骤计算新的像素在原图的对应位置为这些对应位置赋灰度值 最近邻法赋灰度值双线性插值法赋灰度值一维线性插值双线性插值 代码最近邻法双线性插值 实验结果及对比分析后记 前言 …
阅读更多...
最新文章

Copyright @ 2022~2023