【python-opencv】灰度图和彩色图的互相转换

  1. 如果摄像头本来就得到3维度红外图那就不用处理直接可以用:
import cv2
cap = cv2.VideoCapture(0)
ret, image_np = cap.read()

【python-opencv】灰度图和彩色图的互相转换_第1张图片

  1. 直接转成单通道的灰度图看看能不能用:
    #如果后面不写0,那就是默认彩色的
    # 第一种方式
    image = cv2.imread('***/timg4.jpg',0)
    #第二种方式
    #dst=cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)
    detecotr = TOD()
    detecotr.detect(image)
    # 或者视频转换方式如下
    ret, image_np = cap.read()
    image_np=cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)

上面两种方式得到的数据是不完全相同的,网上尚未查找到具体原因,通过对读取到的ndArray数据对比,发现存在不完全相同的数据。
观察直接转成1通道的图像:
【python-opencv】灰度图和彩色图的互相转换_第2张图片

直接转成了1通道灰度图喂进去神经网络不行,因为只有1通道,必须经过如下的处理;

image_np=cv2.cvtColor(image_np,cv2.COLOR_GRAY2BGR)

上面代码可以得到3通道灰度图,就是把灰度图的1通道复制三遍,然后就可以喂进网络了:

【python-opencv】灰度图和彩色图的互相转换_第3张图片

  1. 红外图像和灰度图像本身就不是在同一分类标准下得到的概念。
    红外图像是红外成像设备采集目标在红外波段的辐射形成的影像,这个图像可专以是灰度图像,也可以彩色图像。同样的道理,可见光图像可以是灰度属图像,也可以彩色图像。
    灰度图像是相对彩色图像而言的。灰度图像没有颜色,灰度值由0变化至255时,图像由黑变白。

  2. 再将上述的3通道灰度值转换为伪彩图,观察结果:

ret, image_np = cap.read()
image_np=cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)
#image_np=cv2.cvtColor(image_np,cv2.COLOR_GRAY2BGR)
image_np = cv2.applyColorMap(image_np, cv2.COLORMAP_JET)

【python-opencv】灰度图和彩色图的互相转换_第4张图片

对于伪彩图有不同的伪彩图方式,各个函数如下:

# COLORMAP_AUTUMN = 0,
# COLORMAP_BONE = 1,
# COLORMAP_JET = 2,
# COLORMAP_WINTER = 3,
# COLORMAP_RAINBOW = 4,
# COLORMAP_OCEAN = 5,
# COLORMAP_SUMMER = 6,
# COLORMAP_SPRING = 7,
# COLORMAP_COOL = 8,
# COLORMAP_HSV = 9,
# COLORMAP_PINK = 10,
# COLORMAP_HOT = 11
注意:

在使用模型框架的时候,如果是使用tensorflow object detection API,需要将1通道的灰度图转成3通道(唯一通道复制三遍)来训练和检测;
为什么不直接使用者通道的灰度图来做呢,这样是不是能提高性能呢?
不是,因为这样对于提高性能和速度没有意义,它只影响了卷积神经网络的第一层而已,后续层的计算量和参数量没有丝毫影响,这样的影响等同于没有,如果真的考虑性能和速度,直接更改模型更可靠。

你可能感兴趣的:(深度学习)