ITKeyword,专注技术干货聚合推荐

注册 | 登录

图像处理DOG 算法,python结合cv2实现

zhoutengtengsonw 分享于

2020腾讯云双十一活动,全年最低!!!(领取3500元代金券),
地址https://cloud.tencent.com/act/cps/redirect?redirect=1073

2020阿里云最低价产品入口,含代金券(新老用户有优惠),
地址https://www.aliyun.com/minisite/goods

推荐:图像处理卷积算法实现

  今天心血来潮,想把传统的卷积算法实现一份不采用各种加速方式,仅优化算法逻辑的纯净版本。 写完发现性能还可以,特发出来分享之,若有博友在此基础上,进

DoG (Difference of Gaussian)是灰度图像增强和角点检测的方法

#coding=utf-8
import cv2
import numpy as np


def getExtrema(A, B, C, thresh):
    height,width= A.shape
    resu = np.ones((height, width), A.dtype) * 100
    for row in range(1, height-1):
        for col in range(1, width-1):
            center = B[row, col]
            if center < thresh:
                continue
            B[row, col] = B[row, col - 1]
            minValue = np.vstack([A[row-1:row+2, col-1:col+2], B[row-1:row+2, col-1:col+2],C[row-1:row+2, col-1:col+2]]).min()
            maxValue = np.vstack([A[row - 1:row + 2, col - 1:col + 2], B[row - 1:row + 2, col - 1:col + 2],
                                  C[row - 1:row + 2, col - 1:col + 2]]).max()
            if center < minValue:
                resu[row, col] = 0
            if center > maxValue:
                resu[row, col] = 255
            B[row, col] = center
    return resu

def addPoint(image, image_point):
    height, width, dvim = image.shape
    for row in range(0, height):
        for col in range(0, width):
            if image_point[row, col] == 255:
                cv2.circle(image, (row, col), 5, thickness=1, color=[0,0,255])
            elif image_point[row, col] == 0:
                cv2.circle(image, (row, col), 5, thickness=1, color=[0,255,0])


if  __name__ == "__main__":
    image = cv2.imread('lena.jpg')
    r,g,b = cv2.split(image)
    image_gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    image_gray_blur1 = cv2.GaussianBlur(image_gray, (3, 3), 0.3)
    image_gray_blur2 = cv2.GaussianBlur(image_gray, (3, 3), 0.4)
    image_gray_blur3 = cv2.GaussianBlur(image_gray, (3, 3), 0.5)
    image_gray_blur4 = cv2.GaussianBlur(image_gray, (3, 3), 0.6)
    image_gray_blur5 = cv2.GaussianBlur(image_gray, (3, 3), 0.7)
    image_gray_blur6 = cv2.GaussianBlur(image_gray, (3, 3), 0.8)
    image_gray_dog1 = image_gray_blur2 - image_gray_blur1
    image_gray_dog2 = image_gray_blur4 - image_gray_blur3
    image_gray_dog3 = image_gray_blur6 - image_gray_blur5
    image_point = getExtrema(image_gray_dog1, image_gray_dog2, image_gray_dog3, 2)
    #反过来的gbr
    cv2.namedWindow("image_DOG", flags= cv2.WINDOW_NORMAL)
    cv2.moveWindow("image_DOG", 300, 200)
    addPoint(image, image_point)
    cv2.imshow("image", cv2.imread("./lena.jpg"))
    cv2.imshow("image_gray", image_gray)
    cv2.imshow("image_gray_blur1", image_gray_blur1)
    cv2.imshow("image_gray_blur2", image_gray_blur2)
    cv2.imshow("image_gray_blur3", image_gray_blur3)
    cv2.imshow("image_gray_blur4", image_gray_blur4)
    cv2.imshow("image_gray_blur5", image_gray_blur5)
    cv2.imshow("image_gray_blur6", image_gray_blur6)
    cv2.imshow("image_gray_dog1", image_gray_dog1)
    cv2.imshow("image_gray_dog2", image_gray_dog2)
    cv2.imshow("image_gray_dog3", image_gray_dog3)
    cv2.imshow("image_DOG", image)

    cv2.imwrite("image_gray.jpg", image_gray,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_blur1.jpg", image_gray_blur1,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_blur2.jpg", image_gray_blur2,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_blur3.jpg", image_gray_blur3,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_blur4.jpg", image_gray_blur4,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_blur5.jpg", image_gray_blur5,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_blur6.jpg", image_gray_blur6,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_dog1.jpg", image_gray_dog1,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_dog2.jpg", image_gray_dog2,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_gray_dog3.jpg", image_gray_dog3,[int(cv2.IMWRITE_JPEG_QUALITY), 100])
    cv2.imwrite("image_DOG.jpg", image,[int(cv2.IMWRITE_JPEG_QUALITY), 100] )


    cv2.waitKey(0)
    cv2.destroyAllWindows()

ean.jpg lean.jpg

image_gray.jpg 这里写图片描述

image_gray_blur1.jpg 这里写图片描述

image_gray_blur2.jpg 这里写图片描述

image_gray_blur3.jpg 这里写图片描述

推荐:Java实现高斯模糊算法处理图像

高斯模糊(英语:Gaussian Blur),也叫高斯平滑,是在Adobe Photoshop、GIMP以及Paint.NET等图像处理软件中广泛使用的处理效果,通常用它来减少图像噪声以及降

image_gray_blur4.jpg 这里写图片描述

image_gray_blur5.jpg 这里写图片描述

image_gray_blur6.jpg 这里写图片描述

image_gray_dog1.jpg 这里写图片描述

image_gray_dog2.jpg 这里写图片描述

image_gray_dog3.jpg 这里写图片描述

image_DOG.jpg 这里写图片描述

推荐:数字图像处理,图像锐化算法的C++实现

之前一段我们提到的算法都是和平滑有关, 经过平滑算法之后, 图像锐度降低, 降低到一定程度, 就变成了模糊。 今天我们反其道行之, 我们看看锐化是怎么做的。

DoG (Difference of Gaussian)是灰度图像增强和角点检测的方法 #coding=utf-8import cv2import numpy as npdef getExtrema(A, B, C, thresh): height,width= A.shape resu = np.on

相关阅读排行


相关内容推荐

最新文章

×

×

请激活账号

为了能正常使用评论、编辑功能及以后陆续为用户提供的其他产品,请激活账号。

您的注册邮箱: 修改

重新发送激活邮件 进入我的邮箱

如果您没有收到激活邮件,请注意检查垃圾箱。