Примечание: в этом посте мы будем работать только с изображениями в оттенках серого, чтобы упростить понимание.

Что такое изображение?

Изображение можно рассматривать как матрицу значений, где каждое значение представляет интенсивность пикселя. Существует три основных типа форматов изображений:

• Двоичный: изображение в этом формате представлено одной двумерной матрицей со значениями 0 (черный) и 1 (белый). Это простейшая форма представления изображения.

• Шкала серого: в этом формате изображение представлено одной двумерной матрицей со значениями в диапазоне от 0 до 255; где 0 представляет черный цвет, а 255 — белый. Промежуточные значения представляют различные оттенки серого.

• Шкала RGB: здесь изображение представлено тремя двумерными матрицами (по одной для каждого цветового канала: красного, зеленого и синего) со значениями в диапазоне от 0 до 255. Каждая матрица содержит значения пикселей для один цветовой компонент, а объединение этих трех каналов дает нам полноцветное изображение.

Фильтры

Фильтры — это инструменты, используемые для изменения изображений путем применения определенных операций. Фильтр — это матрица (также называемая ядром), которая перемещается по изображению, выполняя вычисления над значениями пикселей в своем окне. Мы рассмотрим два распространенных типа фильтров: средние фильтры и медианные фильтры.

Средние фильтры

Средний фильтр используется для уменьшения шума путем усреднения значений пикселей в окне. Он заменяет центральный пиксель в окне средним значением всех пикселей в этом окне. Функция cv2.blur() применяет фильтр среднего значения с размером ядра 3x3, что означает, что она рассматривает окно пикселей 3x3 вокруг каждого пикселя для вычисления среднего значения. Это помогает сгладить изображение.

import cv2
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

# Applies a Mean Filter of size 3 x 3
blurred_image = cv2.blur(image, (3, 3))

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis("off")

plt.subplot(1, 2, 2)
plt.imshow(blurred_image, cmap='gray')
plt.title('Mean Filtered Image')
plt.axis("off")
plt.show()

Медианные фильтры

Медианный фильтр используется для уменьшения шума путем замены значения каждого пикселя медианным значением всех пикселей в окне. Он особенно эффективен при удалении шума «соль и перец». Функция cv2.medianBlur() применяет медианный фильтр с размером ядра 3. Этот метод заменяет каждый пиксель медианным значением значений пикселей в его окрестностях, что помогает сохранить края при удалении шума. Здесь, чем больше размер ядра, тем более размытым становится изображение.

import cv2
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

# Applies a Median Filter with a kernel size of 3
blurred_image = cv2.medianBlur(image, 3)

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis("off")

plt.subplot(1, 2, 2)
plt.imshow(blurred_image, cmap='gray')
plt.title('Median Filtered Image')
plt.axis("off")
plt.show()

Пользовательские фильтры

Вы можете создавать собственные фильтры для применения определенных операций к вашим изображениям. Функция cv2.filter2D() позволяет применить к изображению любое пользовательское ядро. Функция cv2.filter2D() применяет к изображению собственное ядро ​​(фильтр). Ядро — это матрица, определяющая операцию, выполняемую над значениями пикселей. В этом примере ядро ​​улучшает определенные функции изображения на основе указанных значений.

import cv2
import numpy as np
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

# Define a custom filter kernel
kernel = np.array([[2, -1, 5],
                   [-5, 5, -1],
                   [0, -1, 0]])

filtered_image = cv2.filter2D(image, -1, kernel)

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(filtered_image, cmap='gray')
plt.title('Filtered Image')
plt.axis('off')

plt.show()

Пороговое значение

Примечание: во фрагментах кода вы увидите _ , image при назначении порогового изображения. Это связано с тем, что функция cv2.threshold возвращает два значения: используемое пороговое значение и пороговое изображение. Поскольку нам нужно только изображение с пороговым значением, мы используем _, чтобы игнорировать пороговое значение.

Пороговое значение преобразует изображение в двоичное изображение, устанавливая значения пикселей на основе условия. Существует несколько типов методов определения порога:

Глобальное пороговое значение

Простое пороговое определение

Этот метод устанавливает фиксированное пороговое значение для всего изображения. Пикселям со значениями выше порогового значения присваивается максимальное значение (255), а для пикселей ниже — 0. Функция cv2.threshold() используется для простого определения порога. Пиксели с интенсивностью больше 127 становятся белыми (255), а пиксели с интенсивностью меньше или равными 127 — черными (0), создавая двоичное изображение.

import cv2
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

_, thresholded_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis("off")

plt.subplot(1, 2, 2)
plt.imshow(thresholded_image, cmap='gray')
plt.title('Thresholded Image')
plt.axis("off")
plt.show()

Порог Оцу

Метод Оцу автоматически определяет оптимальное пороговое значение на основе гистограммы изображения. Этот метод минимизирует внутриклассовую дисперсию и максимизирует межклассовую дисперсию. Установив пороговое значение равным 0 и используя cv2.THRESH_OTSU, функция автоматически вычисляет лучшее пороговое значение для отделения переднего плана от фона.

import cv2
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

_, otsu_thresholded_image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY   cv2.THRESH_OTSU)

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis("off")

plt.subplot(1, 2, 2)
plt.imshow(otsu_thresholded_image, cmap='gray')
plt.title("Otsu's Thresholded Image")
plt.axis("off")
plt.show()

Адаптивное пороговое значение

Среднее адаптивное пороговое значение

При использовании среднего адаптивного порога пороговое значение для каждого пикселя рассчитывается на основе среднего значения пикселей в локальной окрестности вокруг этого пикселя. Этот метод динамически регулирует порог в разных областях изображения. Функция cv2.adaptiveThreshold() вычисляет порог для каждого пикселя на основе среднего значения значений пикселей в локальном окружении 11x11. Постоянное значение 2 вычитается из этого среднего значения для точной настройки порога. Этот метод эффективен для изображений с переменным освещением.

import cv2
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

mean_adaptive_thresholded_image = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis("off")

plt.subplot(1, 2, 2)
plt.imshow(mean_adaptive_thresholded_image, cmap='gray')
plt.title('Mean Adaptive Thresholded Image')
plt.axis("off")
plt.show()

Гауссово адаптивное пороговое значение

Адаптивное пороговое значение по Гауссу вычисляет пороговое значение для каждого пикселя на основе взвешенной по Гауссу суммы значений пикселей в локальной окрестности. Этот метод часто дает лучшие результаты в случаях с неравномерной освещенностью. В адаптивном пороге Гаусса порог определяется взвешенной по Гауссу суммой значений пикселей в окрестности 11x11. Постоянное значение 2 вычитается из этого взвешенного среднего значения для настройки порога. Этот метод полезен для обработки изображений с различным освещением и тенями.

import cv2
import matplotlib.pyplot as plt

image = cv2.imread('McLaren-720S-Price-1200x675.jpg', cv2.IMREAD_GRAYSCALE)

gaussian_adaptive_thresholded_image = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

plt.subplot(1, 2, 1)
plt.imshow(image, cmap='gray')
plt.title('Original Image')
plt.axis("off")

plt.subplot(1, 2, 2)
plt.imshow(gaussian_adaptive_thresholded_image, cmap='gray')
plt.title('Gaussian Adaptive Thresholded Image')
plt.axis("off")
plt.show()

Ссылки

• Encord.com
• Pyimagesearch.com
• Пороговое значение OpenCV
• Фильтрация OpenCV