影象平滑

模糊/平滑圖片來消除圖片噪聲

OpenCV函式：cv2.blur(),cv2.GaussianBlur(),cv2.medianBlur(),cv2.bilateralFilter()

2D 卷積

OpenCV中用cv2.filter2D()實現卷積操作，比如我們的核是下面這樣（3×3區域畫素的和除以10）：

img = cv2.imread('lena.jpg')
# 定義卷積核
kernel = np.ones((3,3),np.float32) / 10
# 卷積操作，-1表示通道數與原圖相同
dst = cv2.filter2D(img,-1,kernel)

卷積操作，-1表示通道數與原圖相同

dst = cv2.filter2D(img,kernel)

定義卷## 標題積核

kernel = np.ones((3,np.float32) / 10

卷積操作，-1表示通道數與原圖相同

dst = cv2.filter2D(img,kernel)

模糊和濾波

它們都屬於卷積，不同濾波方法之間只是卷積核不同（對線性濾波而言）

低通濾波器是模糊，高通濾波器是銳化

常見噪聲有 椒鹽噪聲 和 高斯噪聲 ，椒鹽噪聲可以理解為斑點，隨機出現在影象中的黑點或白點；高斯噪聲可以理解為拍攝圖片時由於光照等原因造成的噪聲。

均值濾波

均值濾波是一種最簡單的濾波處理，它取的是卷積核區域內元素的均值，用 cv2.blur() 實現，如3×3的卷積核：

img = cv2.imread('lena.jpg')
# 均值模糊
blur = cv2.blur(img,(3,3)

高斯濾波

不同於均值濾波，高斯濾波的卷積核權重並不相同：中間畫素點權重最高，越遠離中心的畫素權重越小，類似於正態分佈。

OpenCV中對應函式為 cv2.GaussianBlur(src,ksize,sigmaX),指定的高斯核的寬和高必須為奇數。

img = cv2.imread(‘gaussian_noise.bmp')

均值濾波vs高斯濾波

blur = cv2.blur(img,(5,5)) # 均值濾波
gaussian = cv2.GaussianBlur(img,5),1) # 高斯濾波

引數3,σx值越大，模糊效果越明顯。高斯濾波相比均值濾波效率要慢，但可以有效消除高斯噪聲，能保留更多的影象細節，所以經常被稱為最有用的濾波器。

中值濾波
中值又叫中位數，是所有數排序後取中間的值。中值濾波就是用區域內的中值來代替本畫素值，所以那種孤立的斑點，如0或255很容易消除掉，適用於去除椒鹽噪聲和斑點噪聲。中值是一種非線性操作，效率相比前面幾種線性濾波要慢。

img = cv2.imread(‘salt_noise.bmp',0)

雙邊濾波
操作基本都會損失掉影象細節資訊，尤其前面介紹的線性濾波器，影象的邊緣資訊很難保留下來。然而，邊緣（edge）資訊是影象中很重要的一個特徵，所以這才有了雙邊濾波。用cv2.bilateralFilter()函式實現：

img = cv2.imread(‘lena.jpg')

形態學操作
包括膨脹、腐蝕、開運算和閉運算等形態學操作

OpenCV函式：cv2.erode(),cv2.dilate(),cv2.morphologyEx()

腐蝕
腐蝕的效果是把圖片”變瘦”，其原理是在原圖的小區域內取區域性最小值。因為是二值化圖，只有0和255，所以小區域內有一個是0該畫素點就為0：

OpenCV中用cv2.erode()函式進行腐蝕，只需要指定核的大小就行：

import cv2
import numpy as np
img = cv2.imread(‘j.bmp',0)
kernel = np.ones((5,np.uint8)
erosion = cv2.erode(img,kernel) # 腐蝕

這個核也叫結構元素，因為形態學操作其實也是應用卷積來實現的。結構元素可以是矩形/橢圓/十字形，可以用cv2.getStructuringElement()來生成不同形狀的結構元素，比如：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT,5)) # 矩形結構
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,5)) # 橢圓結構
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,5)) # 十字結構

膨脹

膨脹與腐蝕相反，取的是區域性最大值，效果是把圖片”變胖”：

dilation = cv2.dilate(img,kernel) # 膨脹

開/閉運算

先腐蝕後膨脹叫開運算（因為先腐蝕會分開物體，這樣容易記住），其作用是：分離物體，消除小區域。這類形態學操作用 cv2.morphologyEx() 函式實現：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT,5))
img = cv2.imread(‘j_noise_out.bmp',0)

開運算

opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)

閉運算則相反：先膨脹後腐蝕（先膨脹會使白色的部分擴張，以至於消除/“閉合”物體裡面的小黑洞，所以叫閉運算）

closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

形態學梯度

膨脹圖減去腐蝕圖，dilation - erosion，這樣會得到物體的輪廓：

gradient = cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)

頂帽
原圖減去開運算後的圖：src - opening

tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)

黑帽
閉運算後的圖減去原圖：closing - src

blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)

給圖片換背景的原始碼。歡迎一起學習的小夥伴指教！

#imagechuli
import cv2
import time
import numpy as np

#圖片名子
name = "1.jpg"
#程式計時
start = time.perf_counter()
#顯示圖片
img=cv2.imread("./input_image/3.jpg")
#圖片縮放
img = cv2.resize(img,None,fx = 0.5,fy = 0.5)
rows,cols,channels = img.shape
#print(rows,channels)
cv2.resizeWindow("origin",0);
#cv2.imshow("origin",img)
#轉換為二值化影象
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
rows,channels = hsv.shape
 
#圖片的二值化處理
lower_blue = np.array([90,70,70])
upper_blue = np.array([110,255,255])
mask = cv2.inRange(hsv,lower_blue,upper_blue)

def shap():
 
 #影象的腐蝕
 kernel = np.ones((4,4),np.uint8)
 erode=cv2.erode(mask,kernel,iterations=1)
 #cv2.imshow("erode",erode)
 
 #膨脹操作
 kernel = np.ones((2,2),np.uint8)
 dilate=cv2.dilate(erode,iterations=3)
 #cv2.imshow("dilate",dilate)
 #迴圈遍歷
 for i in range(rows):
  for j in range(cols):
   if dilate[i,j]==255:
    img[i,j]=(0,255)#注意是BGR通道，不是RGB
 #cv2.imshow("res",img)
 bianyuanchuli()
 
 #cv2.destroyAllWindows()
 
def bianyuanchuli():
 #影象邊緣檢測的核心大小
 data = (900,1100)
 img_copy = img.copy()
 imgCanny = cv2.Canny(img,*data)
 #cv2.imshow("imgcanny",imgCanny)
 # 建立矩形結構
 g = cv2.getStructuringElement(cv2.MORPH_RECT,5))
 g2 = cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))
 # 膨化處理
 # 更細膩
 img_dilate = cv2.dilate(imgCanny,g,iterations=1)
 #cv2.imshow("img_dilate",img_dilate)
 # 更粗大
 img_dilate2 = cv2.dilate(imgCanny,g2)

 shape = img_dilate.shape
 # 提取
 for i in range(shape[0]):
  for j in range(shape[1]):
   if img_dilate2[i,j] == 0: # 二維定位到三維
    img[i,j] = [0,0]
 #cv2.imshow('dst1',img)
 
 dst = cv2.GaussianBlur(img,cv2.BORDER_DEFAULT)

 for i in range(shape[0]):
  for j in range(shape[1]):
   if img_dilate[i,j] != 0: # 二維定位到三維
    img_copy[i,j] = dst[i,j]

 #cv2.imshow('dst',img_copy)
 cv2.imwrite("./out_image/3.jpg",img_copy) 
 shap()
# 視窗等待的命令，0表示無限等待
cv2.destroyAllWindows()
cv2.waitKey(0)
dur = time.perf_counter() - start
print("程式總用時:{:.2f}s".format(dur))

到此這篇關於用opencv給圖片換背景色的示例程式碼的文章就介紹到這了,更多相關opencv 圖片換背景色內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！