【数字图像处理】万字长文的数字图像处理全貌
数字图像处理
数字图像处理也是一个广泛而深入的领域，涉及多个章节和主题。
-
图像获取与表示： 学习如何获取和表示数字图像，包括不同的图像格式和编码方法。
-
图像增强： 改善图像质量，使其更适合特定应用，例如增加对比度、降噪或锐化。
-
空域滤波： 在图像的像素级别进行操作，如平滑、锐化和边缘检测。
-
频域滤波： 将图像转换到频域，进行频域滤波操作，如傅里叶变换和频域滤波器。
-
图像压缩： 减小图像文件大小，以便更有效地存储和传输，包括有损和无损压缩方法。
-
颜色图像处理： 处理彩色图像，包括颜色空间转换、颜色增强和彩色图像分割。
-
形态学处理： 基于形状和结构的操作，用于图像分割、去噪和特征提取。
-
图像分割与对象识别： 将图像分成不同的区域，并识别和分析图像中的对象。
-
图像描述与特征提取： 识别和提取图像中的关键特征，如纹理、形状和边缘。
-
图像恢复与重建： 通过修复受损或缺失的图像信息，使其更接近原始状态。
图像获取与表示
-
图像获取：
imread: 读取图像文件，常见的图像格式包括 JPEG、PNG、BMP 等。videoCapture: 用于从摄像头或视频文件中获取图像帧。
-
图像表示：
imshow: 在窗口中显示图像。imwrite: 将图像保存为文件，通常用于存储处理后的图像。
-
颜色空间转换：
cvtColor: 用于将图像在不同颜色空间之间进行转换，如 RGB 到灰度、RGB 到 HSV 等。
-
像素操作：
img(x, y): 获取图像中特定坐标(x, y)处的像素值。img(x, y) = value: 设置图像中特定坐标(x, y)处的像素值为给定的值。
-
图像信息：
size: 返回图像的尺寸，通常是行数和列数。channels: 返回图像的通道数，如灰度图像为 1，彩色图像为 3。
-
图像处理：
resize: 调整图像的大小。rotate: 旋转图像。flip: 翻转图像，可以水平翻转或垂直翻转。
使用opencv代码实践
pip install opencv-python
使用cv2.imread从文件中读取图像，cv2.imshow显示图像，cv2.imwrite保存图像。
import cv2
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 显示原始图像
cv2.imshow('Original Image', img)
cv2.waitKey(0) # 等待按键
# 保存图像
output_path = 'path/to/save/result_image.jpg'
cv2.imwrite(output_path, img)
print(f"图像已保存至 {output_path}")
# 关闭图像窗口
cv2.destroyAllWindows()
图像增强
-
直方图均衡化：
equalizeHist: 对图像进行直方图均衡化，增强图像的对比度。
-
对比度和亮度调整：
convertTo: 将图像像素值缩放到指定的范围，以调整亮度和对比度。addWeighted: 将两幅图像进行加权相加，用于调整图像的亮度。
-
自适应直方图均衡化：
createCLAHE: 创建自适应直方图均衡化的对象，用于处理局部对比度不均匀的图像区域。
-
滤波器操作：
- 一维和二维滤波器，如高斯滤波 (
GaussianBlur) 和均值滤波 (blur)，用于平滑图像和去除噪声。
- 一维和二维滤波器，如高斯滤波 (
-
锐化和边缘增强：
filter2D: 对图像应用自定义的卷积核，用于锐化图像或增强边缘。
-
颜色增强：
- 调整图像的颜色饱和度、色调和亮度，以增强彩色图像的视觉效果。
-
Gamma校正：
gammaCorrection: 对图像进行Gamma校正，用于调整图像的亮度和对比度。
import cv2
import matplotlib.pyplot as plt
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 进行直方图均衡化
equalized_img = cv2.equalizeHist(img)
# 显示原始图像和增强后的图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(1, 2, 2), plt.imshow(equalized_img, cmap='gray'), plt.title('Equalized Image')
plt.show()
# 保存增强后的图像
output_path = 'path/to/save/equalized_image.jpg'
cv2.imwrite(output_path, equalized_img)
print(f"增强后的图像已保存至 {output_path}")
图像变换
图像变换是数字图像处理中的关键任务，涉及图像在空间、频域或其他领域的变换。
1.仿射变换：
cv2.warpAffine：应用仿射变换到图像。可以用于平移、旋转、缩放等操作。
import cv2
import numpy as np
# 定义仿射变换矩阵
matrix = np.float32([[1, 0, tx], [0, 1, ty]])
# 应用仿射变换
result = cv2.warpAffine(img, matrix, (width, height))
2. 透视变换：
cv2.getPerspectiveTransform：获取透视变换矩阵。cv2.warpPerspective：应用透视变换到图像。
import cv2
import numpy as np
# 定义原始图像中的四个点和目标图像中的对应四个点
src_points = np.float32([[x1, y1], [x2, y2], [x3, y3], [x4, y4]])
dst_points = np.float32([[u1, v1], [u2, v2], [u3, v3], [u4, v4]])
# 获取透视变换矩阵
matrix = cv2.getPerspectiveTransform(src_points, dst_points)
# 应用透视变换
result = cv2.warpPerspective(img, matrix, (width, height))
3. 图像缩放：
cv2.resize：调整图像的大小。
import cv2
# 缩放图像
result = cv2.resize(img, (new_width, new_height))
4.图像旋转：
cv2.getRotationMatrix2D：获取图像旋转矩阵。cv2.warpAffine：应用旋转变换到图像。
import cv2
import numpy as np
# 定义旋转中心和旋转角度
center = (img.shape[1] // 2, img.shape[0] // 2)
angle = 45
# 获取旋转矩阵
matrix = cv2.getRotationMatrix2D(center, angle, scale=1.0)
# 应用旋转变换
result = cv2.warpAffine(img, matrix, (width, height))
空域滤波
空域滤波是数字图像处理中常用的一种技术，它在图像的像素级别进行操作，包括平滑、锐化和边缘检测等。
-
平均滤波：
blur或boxFilter: 对图像进行平均滤波，用于平滑图像和降低噪声。
-
高斯滤波：
GaussianBlur: 使用高斯核对图像进行平滑处理，保留图像中的主要特征。
-
中值滤波：
medianBlur: 对图像进行中值滤波，有效地去除椒盐噪声等离群点。
-
双边滤波：
bilateralFilter: 保留图像的边缘信息的同时进行平滑，适用于保留细节的情况。
-
自定义滤波器：
filter2D: 对图像应用自定义的卷积核，可以实现各种空域滤波操作，如锐化和边缘增强。
import cv2
import matplotlib.pyplot as plt
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 使用高斯滤波进行平滑处理
blurred_img = cv2.GaussianBlur(img, (5, 5), 0)
# 显示原始图像和平滑处理后的图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(1, 2, 2), plt.imshow(blurred_img, cmap='gray'), plt.title('Blurred Image')
plt.show()
# 保存平滑处理后的图像
output_path = 'path/to/save/blurred_image.jpg'
cv2.imwrite(output_path, blurred_img)
print(f"平滑处理后的图像已保存至 {output_path}")
频域滤波
频域滤波是数字图像处理中的一种重要技术，它涉及将图像转换到频域（通过傅里叶变换等），在频域中进行滤波操作，然后再转换回空域。
-
傅里叶变换：
fft2：对图像进行二维傅里叶变换。ifft2：对频域图像进行反傅里叶变换，将其转换回空域。
-
频域滤波：
- 理想滤波器：
freqFilter: 使用理想滤波器进行频域滤波，通常包括低通滤波器和高通滤波器。
- 巴特沃斯滤波器：
butterworthFilter: 使用巴特沃斯滤波器进行频域滤波，可以调整滤波器的阶数和截止频率。
- 高斯滤波器：
gaussianFilter: 使用高斯滤波器进行频域滤波，通常用于平滑图像。
- 理想滤波器：
使用傅里叶变换和频域滤波器对图像进行高通滤波
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 进行傅里叶变换
f_transform = np.fft.fft2(img)
f_shift = np.fft.fftshift(f_transform)
# 构建高通滤波器
rows, cols = img.shape
crow, ccol = rows // 2 , cols // 2
mask = np.ones((rows, cols), np.uint8)
r = 30 # 设置高通滤波器半径
center = [crow, ccol]
x, y = np.ogrid[:rows, :cols]
mask_area = (x - center[0]) ** 2 + (y - center[1]) ** 2 <= r*r
mask[mask_area] = 0
# 将滤波器应用于频域图像
f_shift = f_shift * mask
# 进行傅里叶逆变换
f_ishift = np.fft.ifftshift(f_shift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)
# 显示原始图像和高通滤波后的图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(1, 2, 2), plt.imshow(img_back, cmap='gray'), plt.title('High Pass Filtered Image')
plt.show()
# 保存高通滤波后的图像
output_path = 'path/to/save/high_pass_filtered_image.jpg'
cv2.imwrite(output_path, img_back)
print(f"高通滤波后的图像已保存至 {output_path}")
图像压缩
图像压缩在数字图像处理中是一个重要的步骤，它有助于减小图像文件的大小，以便更有效地存储和传输。
-
有损压缩：
- JPEG压缩：
imwrite（OpenCV）：使用JPEG格式进行图像压缩，可以设置压缩质量参数。
- WebP压缩：
writeWebP（OpenCV）：使用WebP格式进行图像压缩，支持有损和无损压缩。
- JPEG压缩：
-
无损压缩：
- PNG压缩：
imwrite（OpenCV）：使用PNG格式进行无损图像压缩，适用于需要保留图像质量的场景。
- GIF压缩：
imageio（Python库）：用于处理GIF图像格式，支持无损压缩。
- PNG压缩：
-
调整压缩参数：
- 在使用相应库的图像写入函数时，通常可以设置压缩参数，例如压缩质量、压缩级别等。
import cv2
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 设置JPEG压缩参数
compress_params = [cv2.IMWRITE_JPEG_QUALITY, 90] # 设置压缩质量，范围为0到100
# 保存压缩后的图像
output_path = 'path/to/save/compressed_image.jpg'
cv2.imwrite(output_path, img, compress_params)
print(f"压缩后的图像已保存至 {output_path}")
颜色图像处理
颜色图像处理涉及到对彩色图像中的颜色信息进行操作和调整。
-
颜色空间转换：
cvtColor（OpenCV等库）：用于在不同颜色空间之间进行转换，如RGB到HSV、RGB到LAB等。
-
颜色增强和调整：
adjust_saturation（Pillow库）：调整图像的饱和度。adjust_brightness（Pillow库）：调整图像的亮度。adjust_contrast（Pillow库）：调整图像的对比度。
-
通道拆分与合并：
split和merge（OpenCV等库）：分别用于将彩色图像的通道拆分和合并。
-
颜色直方图：
calcHist（OpenCV等库）：计算图像的颜色直方图，用于分析颜色分布。
-
颜色滤波：
inRange（OpenCV等库）：根据颜色范围过滤图像中的像素，用于颜色分割和筛选。
-
颜色空间中的运算：
- 在某些情况下，可以在颜色空间中执行各种运算，例如在Lab颜色空间中执行对比度增强。
调整图像的饱和度、亮度和对比度
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 从文件中读取彩色图像
image_path = 'path/to/your/color_image.jpg'
img = cv2.imread(image_path)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 将图像从BGR颜色空间转换为HSV颜色空间
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 调整图像的饱和度、亮度和对比度
saturation_factor = 1.5
brightness_factor = 1.2
contrast_factor = 1.2
hsv_img[:, :, 1] = np.clip(hsv_img[:, :, 1] * saturation_factor, 0, 255)
hsv_img[:, :, 2] = np.clip(hsv_img[:, :, 2] * brightness_factor, 0, 255)
img_processed = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2BGR)
img_processed = np.clip(img_processed * contrast_factor, 0, 255).astype(np.uint8)
# 显示原始图像和处理后的图像
plt.subplot(1, 2, 1), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(1, 2, 2), plt.imshow(cv2.cvtColor(img_processed, cv2.COLOR_BGR2RGB)), plt.title('Processed Image')
plt.show()
# 保存处理后的图像
output_path = 'path/to/save/processed_image.jpg'
cv2.imwrite(output_path, img_processed)
print(f"处理后的图像已保存至 {output_path}")
将
image_path替换为你实际彩色图像文件的路径。在上述代码中，你可以调整saturation_factor、brightness_factor和contrast_factor来改变图像的饱和度、亮度和对比度。
形态学处理
形态学处理是数字图像处理中一种基于形状和结构的操作技术，通常用于图像的分割、去噪和特征提取。
-
腐蚀与膨胀：
erode和dilate（OpenCV等库）：分别用于腐蚀和膨胀图像，可以通过指定结构元素的形状和大小来调整操作效果。
-
开运算与闭运算：
morphologyEx（OpenCV等库）：执行开运算和闭运算，是腐蚀和膨胀的组合操作，常用于去噪和平滑图像。
-
形态学梯度：
morphologyEx（OpenCV等库）：计算图像的形态学梯度，用于检测图像中的边缘。
-
顶帽运算和底帽运算：
morphologyEx（OpenCV等库）：执行顶帽运算和底帽运算，用于突出图像中的亮部分或暗部分。
-
击中与缺失：
morphologyEx（OpenCV等库）：用于执行击中与缺失操作，通常用于形态学重建。
-
结构元素：
getStructuringElement（OpenCV等库）：创建形态学操作中使用的结构元素，可以是矩形、椭圆或自定义形状。
使用腐蚀、膨胀、开运算和闭运算来处理二值图像
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 从文件中读取二值图像
image_path = 'path/to/your/binary_image.jpg'
binary_img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 检查图像是否成功读取
if binary_img is None:
print("无法读取图像，请检查文件路径")
else:
# 二值化处理
_, binary_img = cv2.threshold(binary_img, 128, 255, cv2.THRESH_BINARY)
# 定义结构元素（核）
kernel = np.ones((5, 5), np.uint8)
# 进行腐蚀操作
erosion = cv2.erode(binary_img, kernel, iterations=1)
# 进行膨胀操作
dilation = cv2.dilate(binary_img, kernel, iterations=1)
# 进行开运算（先腐蚀后膨胀）
opening = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)
# 进行闭运算（先膨胀后腐蚀）
closing = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
# 显示原始图像和形态学处理后的图像
plt.subplot(2, 3, 1), plt.imshow(binary_img, cmap='gray'), plt.title('Original Binary Image')
plt.subplot(2, 3, 2), plt.imshow(erosion, cmap='gray'), plt.title('Erosion')
plt.subplot(2, 3, 3), plt.imshow(dilation, cmap='gray'), plt.title('Dilation')
plt.subplot(2, 3, 4), plt.imshow(opening, cmap='gray'), plt.title('Opening')
plt.subplot(2, 3, 5), plt.imshow(closing, cmap='gray'), plt.title('Closing')
plt.show()
# 保存形态学处理后的图像
output_path = 'path/to/save/morphology_processed_image.jpg'
cv2.imwrite(output_path, closing)
print(f"形态学处理后的图像已保存至 {output_path}")
将
image_path替换为你实际的二值图像文件路径。在上述代码中，通过使用腐蚀、膨胀、开运算和闭运算等形态学处理操作，可以改变二值图像的形状和结构。
图像分割与对象识别
图像分割和对象识别是数字图像处理中的重要任务，涉及将图像分成不同的区域并识别其中的对象。
-
阈值分割：
threshold（OpenCV等库）：通过设定阈值将图像分为两个区域，用于简单的二值图像分割。
-
区域增长：
- 可以通过自定义算法实现区域增长，逐步生长具有相似特征的图像区域。
-
边缘检测：
Canny（OpenCV等库）：用于检测图像中的边缘，边缘通常是图像分割的起点。
-
连通组件标记：
connectedComponents（OpenCV等库）：标记图像中的连通组件，用于分离不同的对象。
-
分水岭算法：
watershed（OpenCV等库）：基于水流模型的图像分割算法，适用于物体之间有重叠的情况。
-
轮廓提取：
findContours（OpenCV等库）：用于提取图像中的轮廓，可用于对象的形状分析和识别。
-
对象识别：
- 使用机器学习和深度学习技术，如卷积神经网络（CNN），对图像中的对象进行识别和分类。
-
特征提取：
- 提取对象的特征，例如颜色直方图、纹理特征等，用于对象的描述和识别。
使用阈值分割和连通组件标记来分割图像中的物体
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 从文件中读取彩色图像
image_path = 'path/to/your/color_image.jpg'
img = cv2.imread(image_path)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 将图像从BGR颜色空间转换为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用阈值分割
_, binary_img = cv2.threshold(gray_img, 128, 255, cv2.THRESH_BINARY)
# 进行连通组件标记
_, labels, stats, centroids = cv2.connectedComponentsWithStats(binary_img)
# 显示原始图像、阈值分割后的图像和连通组件标记
plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(1, 3, 2), plt.imshow(binary_img, cmap='gray'), plt.title('Thresholded Image')
plt.subplot(1, 3, 3), plt.imshow(labels, cmap='viridis'), plt.title('Connected Components')
plt.show()
# 输出连通组件的统计信息
print(f"共检测到 {len(stats) - 1} 个对象")
# 保存分割后的图像和连通组件标记
output_path_binary = 'path/to/save/binary_image.jpg'
output_path_labels = 'path/to/save/connected_components.jpg'
cv2.imwrite(output_path_binary, binary_img)
cv2.imwrite(output_path_labels, labels)
print(f"分割后的二值图像已保存至 {output_path_binary}")
print(f"连通组件标记图像已保存至 {output_path_labels}")
将
image_path替换为你实际彩色图像文件的路径。在上述代码中，我们使用阈值分割将图像转换为二值图像，并使用connectedComponentsWithStats函数进行连通组件标记。最后，我们显示原始图像、阈值分割后的图像和连通组件标记的图像。
图像描述与特征提取
图像描述和特征提取是数字图像处理中的关键任务，用于识别和描述图像中的关键特征。
-
特征点检测：
goodFeaturesToTrack（OpenCV等库）：检测图像中的关键特征点，如角点。
-
角点检测：
cornerHarris（OpenCV等库）：使用Harris角点检测算法检测图像中的角点。
-
SIFT（尺度不变特征变换）：
SIFT_create（OpenCV等库）：使用尺度空间来检测和描述图像中的关键点。
-
SURF（加速稳健特征）：
SURF_create（OpenCV等库）：使用加速稳健特征算法进行图像的关键点检测和描述。
-
ORB（Oriented FAST and Rotated BRIEF）：
ORB_create（OpenCV等库）：一种具有旋转不变性的特征检测和描述算法。
-
HOG（方向梯度直方图）：
HOGDescriptor（OpenCV等库）：用于检测图像中的物体轮廓和纹理特征。
-
颜色直方图：
calcHist（OpenCV等库）：计算图像的颜色直方图，用于颜色特征描述。
-
纹理特征提取：
- 使用各种滤波器和算法，如Gabor滤波器，来提取图像中的纹理特征。
-
深度学习特征提取：
- 使用预训练的卷积神经网络（CNN）模型，如VGG、ResNet、或MobileNet，提取图像中的高级特征。
使用SIFT算法检测并描述图像中的关键点
import cv2
import matplotlib.pyplot as plt
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 使用SIFT算法检测关键点和计算描述符
sift = cv2.SIFT_create()
keypoints, descriptors = sift.detectAndCompute(img, None)
# 绘制关键点
img_with_keypoints = cv2.drawKeypoints(img, keypoints, None)
# 显示原始图像和带有关键点的图像
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original Image')
plt.subplot(1, 2, 2), plt.imshow(img_with_keypoints, cmap='gray'), plt.title('Image with Keypoints')
plt.show()
# 输出关键点的数量
print(f"检测到 {len(keypoints)} 个关键点")
# 保存带有关键点的图像
output_path = 'path/to/save/image_with_keypoints.jpg'
cv2.imwrite(output_path, img_with_keypoints)
print(f"带有关键点的图像已保存至 {output_path}")
将
image_path替换为你实际图像文件的路径。在上述代码中，我们使用SIFT算法检测图像中的关键点，并计算每个关键点的描述符。最后，我们绘制关键点并显示原始图像和带有关键点的图像。
图像恢复与重建
图像恢复和重建是数字图像处理中的重要任务，涉及修复受损或模糊的图像，使其更接近原始状态。
-
图像去噪：
fastNlMeansDenoising（OpenCV等库）：使用非局部均值去噪算法进行图像去噪。
-
图像去模糊：
deconvolution：使用盲源分离或Wiener滤波等技术进行图像去模糊。
-
超分辨率重建：
superResolution（OpenCV等库）：通过图像金字塔或深度学习模型进行超分辨率重建，提高图像的空间分辨率。
-
图像修复：
inpaint（OpenCV等库）：使用图像修复算法填补图像中的缺失或损坏部分。
-
运动模糊恢复：
deblur：通过对运动模糊进行逆滤波或使用复杂的运动模型进行图像恢复。
-
模型基础的图像重建：
- 使用图像重建算法，如基于字典学习的算法，通过学习图像的结构和特征进行图像重建。
-
图像插值：
resize（OpenCV等库）：使用插值算法调整图像的大小，可以用于图像的简单重建。
使用非局部均值去噪算法和图像插值进行图像重建
import cv2
import matplotlib.pyplot as plt
# 从文件中读取图像
image_path = 'path/to/your/image.jpg'
img = cv2.imread(image_path)
# 检查图像是否成功读取
if img is None:
print("无法读取图像，请检查文件路径")
else:
# 转换图像为灰度
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 进行非局部均值去噪
denoised_img = cv2.fastNlMeansDenoising(gray_img, None, h=15, templateWindowSize=7, searchWindowSize=21)
# 使用双立方插值进行图像重建
resized_img = cv2.resize(denoised_img, (img.shape[1]*2, img.shape[0]*2), interpolation=cv2.INTER_CUBIC)
# 显示原始图像、去噪后的图像和重建后的图像
plt.subplot(1, 3, 1), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(1, 3, 2), plt.imshow(denoised_img, cmap='gray'), plt.title('Denoised Image')
plt.subplot(1, 3, 3), plt.imshow(resized_img, cmap='gray'), plt.title('Reconstructed Image')
plt.show()
# 保存去噪后的图像和重建后的图像
output_path_denoised = 'path/to/save/denoised_image.jpg'
output_path_reconstructed = 'path/to/save/reconstructed_image.jpg'
cv2.imwrite(output_path_denoised, denoised_img)
cv2.imwrite(output_path_reconstructed, resized_img)
print(f"去噪后的图像已保存至 {output_path_denoised}")
print(f"重建后的图像已保存至 {output_path_reconstructed}")
将
image_path替换为你实际图像文件的路径。在上述代码中，我们首先使用非局部均值去噪算法对图像进行去噪，然后使用双立方插值进行图像的重建
图像配准
图像配准是将两个或多个图像对齐以便进一步分析或融合的过程。
1. 特征点匹配：
cv2.SIFT、cv2.SURF、cv2.ORB等：用于检测和描述图像中的特征点。cv2.BFMatcher、cv2.FlannBasedMatcher等：用于特征点匹配。
import cv2
# 使用SIFT检测特征点和计算描述符
sift = cv2.SIFT_create()
keypoints1, descriptors1 = sift.detectAndCompute(image1, None)
keypoints2, descriptors2 = sift.detectAndCompute(image2, None)
# 使用BFMatcher进行特征点匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(descriptors1, descriptors2, k=2)
# 进行筛选，根据最佳/次优比率
good_matches = []
for m, n in matches:
if m.distance < 0.75 * n.distance:
good_matches.append(m)
# 绘制匹配结果
img_matches = cv2.drawMatches(image1, keypoints1, image2, keypoints2, good_matches, None)
cv2.imshow('Matches', img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()
2. 透视变换：
使用特征点匹配后，可以使用透视变换进行图像配准。
import cv2
import numpy as np
# 获取匹配的特征点
src_pts = np.float32([keypoints1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_pts = np.float32([keypoints2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
# 计算透视变换矩阵
matrix, _ = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
# 应用透视变换
result = cv2.warpPerspective(image1, matrix, (width, height))