Python----OpenCV（图像处理——边界填充、图像融合、图像阈值、深拷贝与浅拷贝）

Python----计算机视觉处理（Opencv：图像旋转：插值方法，边缘填充方法）

Python----计算机视觉处理（Opencv：二值化，阈值法，反阈值法，截断阈值法，OTSU阈值法）

一、边界填充

1.1、什么是边界填充

        边界填充是一种在图像边缘添加额外像素的操作。这些额外的像素用于处理图像卷积、平滑 或其他涉及边界的操作，以避免边缘效应。例如，在进行卷积操作时，如果不进行边界填 充，图像边缘的像素将会缺少周围的像素信息，从而导致结果图像边缘模糊或失真。

1.2、边界填充方法

原图

BORDER_CONSTANT 常数填充

        使用常数填充，通常是黑色（值为0）。

BORDER_REPLICATE 复制边界像素

        这种方式会将图像的边界像素复制到图像的边界外部，产生类似边缘延伸的效果。

BORDER_REFLECT 反射边界像素

        这种方式将图像的边界像素反射到外部，反射时不包括原边界像素。也就是说，边界的像素 会反转（镜像反射）到外部，但原本的边界像素不再重复。

BORDER_REFLECT_101反射边界像素

        这种方式类似于 BORDER_REFLECT ，但是它反射的范围会排除原图像的第一个和最后一个像素。

BORDER_WRAP

        环绕填充方式会将图像的边界像素“环绕”到另一侧。即，图像的左边会被右边的像素填充， 图像的上边会被下边的像素填充，像是在图像的四个边缘之间“连接”起来。

import cv2

# 读取图像
# cv2.imread() 函数用于从指定路径加载一张图片到内存中。
# './images/nezha.png' 是图片的文件路径。
img1 = cv2.imread('./images/nezha.png')

# 定义边界的厚度
# t, b, l, r 分别代表图像的 上 (top)、下 (bottom)、左 (left)、右 (right) 四个方向要添加的边界像素数量。
# 这里四个方向都设置为 50 像素。
t, b, l, r = (50, 50, 50, 50)

# 使用 cv2.copyMakeBorder 函数添加边界
# img1: 原始图像。
# t, b, l, r: 定义的边界厚度。
# cv2.BORDER_WRAP: 边界填充模式。
# BORDER_WRAP 模式通过重复图像本身来填充边界。它会将图像的另一侧像素“包裹”到边界上，
# 就像图像内容是周期性重复的一样。
img2 = cv2.copyMakeBorder(img1, t, b, l, r, cv2.BORDER_WRAP)

# 显示添加边界后的图像
# cv2.imshow() 函数用于在窗口中显示图像。
# 'images2' 是显示窗口的名称。
cv2.imshow('images2', img2)

# 等待按键
# cv2.waitKey(0) 表示程序将无限期等待用户的按键输入。
# 只有当用户按下任意键时，程序才会继续执行后续代码（例如关闭窗口）。
cv2.waitKey(0)

# 销毁所有OpenCV创建的窗口
# cv2.destroyAllWindows() 函数用于关闭所有由OpenCV创建的窗口。
cv2.destroyAllWindows()

1.3、copyMakeBorder函数

        cv2.copymakeBorder0 是 OpenCV 中用来给图像添加边界的函数，常用于对图像进行扩展处理支持不同的边界填充方式。你可以用它来在图像周围添加空白(常用于卷积操作时)或特定的像素填充。

cv2.copyMakeBorder(src, top, bottom, left, right, borderType, value=None)

二、图像融合

        图像融合是将多张图像合成一张图像的过程，以便获取更丰富的信息或更高的图像质量。在 不同的应用中，图像融合的目的可能不同，如增强图像细节、减小噪声、提高图像分辨率 等。

常见的图像融合方法：

        像素级融合：直接对两个或多个图像的像素值进行加权平均。

        多分辨率融合：例如，使用小波变换（Wavelet Transform）将图像在不同分辨率下进行融合，能保留更多的图像细节。

        特征级融合：提取图像的特征（如边缘、纹理等）后进行融合，而非直接处理像素。

import cv2

# 读取第一张图像
# cv2.imread() 函数用于从指定路径加载一张图片到内存中。
# 'apple.png' 是第一张图片的路径。
img1 = cv2.imread('./images/apple.png')

# 读取第二张图像
# 'parrot.png' 是第二张图片的路径。
img2 = cv2.imread('./images/parrot.png')

# 打印第一张图像的尺寸（高度、宽度、通道数）
# img.shape 返回一个元组，例如 (height, width, channels)。
print(img1.shape)

# 打印第二张图像的尺寸
print(img2.shape)

# 调整第一张图像的大小
# cv2.resize() 函数用于改变图像的尺寸。
# (261, 272) 是目标宽度和高度的元组 (width, height)。
# 图像融合要求参与融合的图像尺寸必须相同，因此这里将两张图都调整为相同大小。
img1 = cv2.resize(img1, (261, 272))

# 调整第二张图像的大小
img2 = cv2.resize(img2, (261, 272))

# 执行图像加权融合
# cv2.addWeighted() 函数用于实现两张图像的线性混合（也称为图像融合或透明度混合）。
# 公式为：dst = α * src1 + β * src2 + γ
# img1: 第一张输入图像。
# 0.5: 第一张图像的权重（α）。
# img2: 第二张输入图像。
# 0.5: 第二张图像的权重（β）。
# 0: 伽马值（γ），一个加到结果上的标量。这里设置为0，表示不额外增加亮度。
# 由于两张图像的权重都是0.5，这意味着它们将以50%的透明度相互叠加，形成一个半透明的效果。
img3 = cv2.addWeighted(img1, 0.5, img2, 0.5, 0)

# 显示第一张原始图像（调整大小后）
# 'images1' 是窗口的名称。
cv2.imshow('images1', img1)

# 显示第二张原始图像（调整大小后）
# 'images2' 是窗口的名称。
cv2.imshow('images2', img2)

# 显示融合后的图像
# 'images3' 是窗口的名称。
cv2.imshow('images3', img3)

# 等待按键
# cv2.waitKey(0) 表示程序将无限期等待用户的按键输入。
# 只有当用户按下任意键时，程序才会继续执行后续代码（例如关闭窗口）。
cv2.waitKey(0)

# 销毁所有OpenCV创建的窗口
# cv2.destroyAllWindows() 函数用于关闭所有由OpenCV创建的窗口。
cv2.destroyAllWindows()

addWeighted函数

        addweighted 是 OpenCV 中用于图像加权融合的一个函数，广泛用于像素级图像融合。它通过对两张图像进行加权求和，产生一张新的图像。这对于实现图像的融合、过渡效果、或者图像增强等任务非常有用。

cv2.addWeighted(src1, alpha, src2, beta, gamma)

三、图像阈值

        在OpenCV中，图像阈值操作是一个常见的图像处理技术，可以将图像的像素值根据设定的 阈值进行分类，通常是将图像分为前景和背景。

ret, dst = cv2.threshold(src, thresh, maxval, type)

import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图片
img = cv2.imread("../images/ROI.png")

# 转换为灰度图
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

ret,thresh1 = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY )
ret,thresh2 = cv2.threshold(gray_img,127,255,cv2.THRESH_BINARY_INV  )
ret,thresh3 = cv2.threshold(gray_img,127,255,cv2.THRESH_TRUNC  )
ret,thresh4 = cv2.threshold(gray_img,127,255,cv2.THRESH_TOZERO  )
ret,thresh5 = cv2.threshold(gray_img,127,255,cv2.THRESH_TOZERO_INV  )


titles = ["Original Image","BINARY","BINARY_INV","TRUNC","TOZERO","TOZERO_INV"]
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
# 遍历在6张图片上 matplotilb
for i in range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])

plt.show()

cv2.waitKey(5000)
cv2.destroyAllWindows()

四、结构体Mat

4.1、Mat 的基本概念

        Mat 是 OpenCV 中用于存储图像数据和矩阵数据的主要数据结构。它代表着一个 n 维的密 集数值型数组，被设计用来存储实数或复数元素，并且可以存储单通道或多通道的数据。 与传统的 IplImage 结构体相比，Mat 具有自动内存管理的优势，能有效避免内存泄漏，使 用起来更加方便和安全。

4.2、Mat 的组成部分

        OpenCV 的 Mat 数据结构可以分为以下几个主要部分：

import cv2
img = cv2.imread("../images/ROI.png")

print("rows",img.shape[0]) #高度rows 578
print("cols",img.shape[1]) #宽度cols 398
print("channels",img.shape[2]) #通道数channels 3
print("cols",img.dtype) #数据类型cols uint8

五、深拷贝与浅拷贝

        在 Python 中，深拷贝（Deep Copy）和浅拷贝（Shallow Copy）是两种不同的对象复制 方式，主要区别在于是否复制了对象中的嵌套对象。

import cv2
# 加载图片
img = cv2.imread("../images/ROI.png")

# 浅拷贝
img2 = img
# 深拷贝
img3 = img.copy()

# 修改img2
img[10:100,10:100] = [0, 0, 255]


cv2.imshow('img', img)
cv2.imshow('img2', img2)
cv2.imshow('img3', img3)


cv2.waitKey(0)
cv2.destroyAllWindows()