デジタル画像処理のための画像操作

コンピュータ ビジョンと画像処理では、画像操作が重要な役割を果たします。これらの操作は、前処理、画質の向上、高度なアルゴリズムの有効化などのタスクにとって重要です。コンピュータ ビジョンの分野では、サイズ変更、トリミング、明るさ/コントラスト/ガンマの調整、幾何学的変換などの操作が基本的な操作です。これらにより、効率的な計算、関心領域の抽出、画像強度の正規化、幾何学的なキャリブレーションが可能になります。画像処理の観点から見ると、これらの操作は、ダウンサンプリング、無関係な領域のトリミング、可視性と品質の向上、幾何学的操作の実行

# サイズ変更# にも重要です。

##画像のサイズ変更はさまざまなシナリオで一般的であり、画像を特定のサイズに合わせたり、ファイル サイズを縮小したりするなど、さまざまな目的に使用できます。画像補間とリサンプリングは、画像処理とコンピュータ ビジョンで画像のサイズ変更や拡大縮小を行うために使用される手法です。

画像補間

画像補間とは、既知のピクセル値に基づいて画像内の未知の位置のピクセル値を推定するプロセスを指します。補間方法が異なれば、未知のピクセルの値を推定する方法も異なります。

# は次のように書き換えられます。 最近傍補間は、未知のピクセル位置の値を最も近い既知のピクセル値に割り当てる方法です。この方法は単純ですが、アーティファクトのブロックや詳細の損失に関する問題が発生する可能性があります。

最近傍補間

双線形補間アルゴリズムは、最も近い 4 つの既知のピクセル値を考慮し、加重平均を使用して未知のピクセルの値を推定します。バイリニア補間は最近傍補間よりも滑らかな結果を生成しますが、それでも多少のぼやけ効果が発生する可能性があります。

バイキュービック補間は、より多くの隣接ピクセルを考慮し、3 次多項式を使用してピクセル値を推定することで機能し、バイリニアを拡張します。補間。この方法では、トランジションがよりスムーズになり、画像の詳細がより良く保存され、より高品質の結果が得られます。

import cv2import numpy as npdef resize_image(image, scale, interpolation):width = int(image.shape[1] * scale)height = int(image.shape[0] * scale)resized_image = cv2.resize(image, (width, height), interpolation=interpolation)return resized_imageSCALE = 4# Load the imageimage_path = "image.png"image = cv2.imread(image_path)# Resize the image using nearest neighbor interpolationnearest_neighbor_resized = resize_image(image, scale=SCALE, interpolation=cv2.INTER_NEAREST)# Resize the image using bilinear interpolationbilinear_resized = resize_image(image, scale=SCALE, interpolation=cv2.INTER_LINEAR)# Resize the image using bicubic interpolationbicubic_resized = resize_image(image, scale=SCALE, interpolation=cv2.INTER_CUBIC)

トリミング

画像をトリミングする目的は、不要なコンテンツを削除するか、関心のある特定の領域に焦点を当てることです。 。トリミングにより、構成を最適化し、邪魔なものを取り除き、画像の重要な要素を強調表示することができます。不要な部分や無関係な部分を削除することで、意図したメッセージやテーマを効果的に伝える、視覚的に魅力的でインパクトのある画像が作成されます。

トリミング領域を決定するには、さまざまな方法を使用できます:

手動選択: 手動トリミングでは、画像を目視検査し、保持したい領域を選択します。 。このアプローチは柔軟性を提供し、写真家やデザイナーの芸術的な判断に基づいて主観的な決定を下すことができます。
• オブジェクト検出: オブジェクト検出アルゴリズムに基づく自動トリミング技術により、画像内の特定のオブジェクトやテーマを識別して抽出できます。これらのアルゴリズムは画像を分析し、事前定義されたパターンまたはトレーニングされたモデルに基づいてオブジェクトの位置を特定します。検出されたオブジェクトはトリミング領域として使用でき、無関係な背景や周囲の領域が削除される一方で、重要な要素は確実に保持されます。
• セグメンテーション: セマンティック セグメンテーションやインスタンス セグメンテーションなどの画像セグメンテーション技術を使用して、画像を意味のある領域に分割できます。これらの技術は、さまざまなオブジェクトまたは領域にラベルまたはマスクを割り当て、特定の部分を切り取ったり、特定の関心領域を分離したりすることを可能にします。

import cv2def crop_image(image, x, y, width, height):cropped_image = image[y:y+height, x:x+width]return cropped_image# Example usageimage = cv2.imread("cath.jpeg")cropped_image = crop_image(image, x=400, y=500, width=300, height=200)cv2.imshow("Cropped Image", cropped_image)cv2.waitKey(0)cv2.destroyAllWindows()

調整

明るさとコントラスト:

明るさとコントラストを調整して、視認性を高め、視覚を改善します。アピールが重要です。明るさを調整すると、画像を明るくしたり暗くしたりして、露出不足または露出過度の領域の詳細を強調表示できます。コントラストを調整すると、明るい部分と暗い部分の差が強調され、画像がより鮮明でダイナミックに見えます。

明るさとコントラストを調整すると、画像の全体的な品質と読みやすさが向上し、重要な特徴がはっきりと見えるようになります。

import cv2import numpy as npimage_path = "cath.jpeg"def adjust_brightness(image, value):# Convert the image to the HSV color spacehsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# Split the channelsh, s, v = cv2.split(hsv)# Apply the brightness adjustmentv = cv2.add(v, value)# Clamp the values to the valid range of 0-255v = np.clip(v, 0, 255)# Merge the channels back togetherhsv = cv2.merge((h, s, v))# Convert the image back to the BGR color spaceadjusted_image = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)return adjusted_imagedef adjust_contrast(image, value):# Convert the image to the LAB color spacelab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)# Split the channelsl, a, b = cv2.split(lab)# Apply the contrast adjustmentl = cv2.multiply(l, value)# Clamp the values to the valid range of 0-255l = np.clip(l, 0, 255)# Merge the channels back togetherlab = cv2.merge((l, a, b))# Convert the image back to the BGR color spaceadjusted_image = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)return adjusted_image# Load the imageimage = cv2.imread(image_path)# Adjust the brightnessbrightness_adjusted = adjust_brightness(image, value=50)# Adjust the contrastcontrast_adjusted = adjust_contrast(image, value=2)# Display the original and adjusted imagescv2.imshow("Original", image)cv2.imshow("Brightness Adjusted", brightness_adjusted)cv2.imshow("Contrast Adjusted", contrast_adjusted)cv2.waitKey(0)cv2.destroyAllWindows()

ヒストグラムは、データの分布を示すために使用されるグラフです。データをいくつかの間隔に分割し、各間隔のデータ数を数え、各間隔のデータ数を表す縦棒を描画します。ヒストグラムは、データの集中度、歪度、外れ値の存在など、データの分布特性を直感的に理解するのに役立ちます。ヒストグラムを見ることで、データをより深く理解して分析し、より正確な意思決定と予測を行うことができます。ヒストグラムは、統計、市場調査、財務分析などの分野で、データ分析や視覚的イコライゼーションに広く使用されています

直方图是一种用于展示数据分布情况的图表。它将数据分成若干个区间，并统计每个区间内的数据数量，然后通过绘制垂直条形来表示各个区间的数据数量。直方图可以帮助我们直观地了解数据的分布特征，例如数据的集中程度、偏态以及异常值的存在等。通过观察直方图，我们可以更好地理解和分析数据，从而做出更准确的决策和预测。在统计学、市场研究、金融分析等领域，直方图被广泛应用于数据分析和可视化均衡化是一项用于增强对比度的技术。它通过重新分配像素强度值来覆盖更广范围的值，以实现此目的。其主要目标是通过图像获得更均匀分布的像素强度

通过重新分配像素强度，直方图是一种用于展示数据分布情况的图表。它将数据分成若干个区间，并统计每个区间内的数据数量，然后通过绘制垂直条形来表示各个区间的数据数量。直方图可以帮助我们直观地了解数据的分布特征，例如数据的集中程度、偏态以及异常值的存在等。通过观察直方图，我们可以更好地理解和分析数据，从而做出更准确的决策和预测。在统计学、市场研究、金融分析等领域，直方图被广泛应用于数据分析和可视化均衡化增强了图像的对比度。

import cv2import matplotlib.pyplot as pltimage_path = "cath.jpeg"image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# Apply histogram equalizationequalized_image = cv2.equalizeHist(image)# Calculate histogramshist_original = cv2.calcHist([image], [0], None, [256], [0, 256])hist_equalized = cv2.calcHist([equalized_image], [0], None, [256], [0, 256])# Plot the histogramsplt.figure(figsize=(10, 5))plt.subplot(1, 2, 1)plt.plot(hist_original, color='b')plt.title("Original Image Histogram")plt.xlabel("Pixel Intensity")plt.ylabel("Frequency")plt.subplot(1, 2, 2)plt.plot(hist_equalized, color='r')plt.title("Equalized Image Histogram")plt.xlabel("Pixel Intensity")plt.ylabel("Frequency")plt.tight_layout()plt.show()

直方图是一种用于展示数据分布情况的图表。它将数据分成若干个区间，并统计每个区间内的数据数量，然后通过绘制垂直条形来表示各个区间的数据数量。直方图可以帮助我们直观地了解数据的分布特征，例如数据的集中程度、偏态以及异常值的存在等。通过观察直方图，我们可以更好地理解和分析数据，从而做出更准确的决策和预测。在统计学、市场研究、金融分析等领域，直方图被广泛应用于数据分析和可视化

# Display the original and equalized imagesfig, axes = plt.subplots(1, 2, figsize=(10, 5))axes[0].imshow(image, cmap='gray')axes[0].set_title("Original")axes[0].axis("off")axes[1].imshow(equalized_image, cmap='gray')axes[1].set_title("Equalized")axes[1].axis("off")plt.tight_layout()plt.show()

均衡化图像

缩放比例相等的比例尺称为线性缩放

缩放比例相等的比例尺称为线性缩放，也被称为对比度拉伸，用于调整图像的亮度和对比度，通过线性映射原始像素值到一个新的范围。该过程涉及重新缩放像素值，以利用图像中的最小值和最大值的完整动态范围

缩放比例相等的比例尺称为线性缩放的好处在于可以精确地控制亮度和对比度的调整。您可以根据具体需求定义所需的强度范围

import cv2import numpy as npimport matplotlib.pyplot as plt# Load the imageimage_path = "cath.jpeg"image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# Calculate the minimum and maximum pixel values in the imagemin_value = np.min(image)max_value = np.max(image)# Define the desired minimum and maximum intensity values for the output imagenew_min = 5new_max = 10# Perform linear scalingscaled_image = cv2.convertScaleAbs(image, alpha=(new_max - new_min) / (max_value - min_value), beta=new_min - min_value * (new_max - new_min) / (max_value - min_value))# Display the original and scaled imagesfig, axes = plt.subplots(1, 2, figsize=(10, 5))axes[0].imshow(cv2.cvtColor(image, cv2.COLOR_GRAY2RGB))axes[0].set_title("Original")axes[0].axis("off")axes[1].imshow(scaled_image, cmap='gray')axes[1].set_title("Scaled")axes[1].axis("off")plt.tight_layout()plt.show()

缩放比例相等的比例尺称为线性缩放

重写内容：Gamma 校正

重写内容：Gamma 校正是一种技术，用于调整图像输入像素值和显示输出强度之间的非线性关系。它考虑到人类视觉系统对光的非线性响应，并旨在实现更准确和与感知一致的图像显示

相机捕捉或存储在图像文件中的像素值与人类感知亮度之间的关系是非线性的。换句话说，像素值的线性增加并不导致感知亮度的线性增加。这种非线性关系是由于成像传感器和人类视觉系统的响应特性导致的。

重写内容：Gamma 校正基于一个称为伽马（γ）的参数。伽马值表示输入像素值和显示输出强度之间的关系。它是两者之间非线性映射的度量。

重写内容：Gamma 校正对像素值应用幂律变换，调整强度值以校正非线性响应。重写内容：Gamma 校正的公式如下：

校正值 = 输入值 ^ (1 / 伽马)

这里，输入值代表原始像素值，校正值代表调整后的像素值。

重写内容：Gamma 校正的主要作用是补偿非线性强度关系，确保图像中的颜色和细节得到准确的表示。重写内容：Gamma 校正发挥重要作用的方式如下：

• 亮度补偿：重写内容：Gamma 校正有助于弥补捕捉和显示设备之间亮度响应的差异。它确保显示图像中的感知亮度水平与原始场景一致。
• 对比度增强：重写内容：Gamma 校正可以通过重新分配色调值来增强图像的对比度。根据伽马值的不同，它可以有效地强调图像的暗区域或亮区域中的细节。
• 色彩准确性：重写内容：Gamma 校正有助于实现准确的颜色表示。通过调整伽马值，可以改善颜色再现，确保颜色看起来更自然且忠实于原始场景。
• 色调映射：在高动态范围（HDR）成像中，重写内容：Gamma 校正常常作为色调映射技术的一部分，将场景的广泛动态范围映射到显示设备的有限动态范围。重写内容：Gamma 校正有助于保持阴影和高光区域的细节，防止信息丢失。
• 感知一致性：重写内容：Gamma 校正旨在实现感知上一致的图像，其中显示的强度与人类视觉感知一致。通过校正非线性响应，重写内容：Gamma 校正确保图像对观众呈现出视觉上愉悦和逼真的效果。

import cv2import numpy as npimage_path = "cath.jpeg"def adjust_gamma(image, gamma):# Build a lookup table mapping the input pixel values to the corrected gamma valueslookup_table = np.array([((i / 255.0) ** gamma) * 255 for i in np.arange(0, 256)]).astype(np.uint8)# Apply gamma correction using the lookup tablegamma_corrected = cv2.LUT(image, lookup_table)return gamma_corrected# Load the imageimage = cv2.imread(image_path)# Adjust the gamma valuegamma_value = 1.5gamma_corrected = adjust_gamma(image, gamma_value)# Display the original and gamma-corrected imagescv2.imshow("Original", image)cv2.imshow("Gamma Corrected", gamma_corrected)cv2.waitKey(0)cv2.destroyAllWindows()

重写内容：Gamma 校正

几何变换

几何变换使图像的透视、方向和空间关系发生变化。这些变换为图像对齐、目标检测、图像注册等任务提供了基本工具。

(1) 平移

移动是几何变换的基本形式之一，它涉及将图像在水平或垂直方向上移动指定的距离

import cv2import numpy as npimage_path = "cath.jpeg"image = cv2.imread(image_path)# Define the translation matrixtx = 100# pixels to shift in the x-axisty = 50# pixels to shift in the y-axistranslation_matrix = np.float32([[1, 0, tx], [0, 1, ty]])# Apply translationtranslated_image = cv2.warpAffine(image, translation_matrix, (image.shape[1], image.shape[0]))# Display the original and translated imagescv2.imshow("Original", image)cv2.imshow("Translated", translated_image)cv2.waitKey(0)cv2.destroyAllWindows()

平移

(2) 缩放

缩放是指调整图像的大小，可以通过对所有维度应用统一的缩放因子，或者使用不同的缩放因子来调整不同的维度。已缩放。

# Define the scaling factorsscale_x = 1.5# scaling factor for the x-axisscale_y = 0.8# scaling factor for the y-axis# Apply scalingscaled_image = cv2.resize(image, None, fx=scale_x, fy=scale_y, interpolation=cv2.INTER_LINEAR)# Display the original and scaled imagescv2.imshow("Original", image)cv2.imshow("Scaled", scaled_image)cv2.waitKey(0)cv2.destroyAllWindows()

缩放

(3) 进行重写的内容是：旋转

进行重写的内容是：旋转是一种几何变换，涉及围绕中心点按指定角度更改图像的方向。

# Define the rotation angleangle = 30# Perform rotationrows, cols = image.shape[:2]rotation_matrix = cv2.getRotationMatrix2D((cols / 2, rows / 2), angle, 1)rotated_image = cv2.warpAffine(image, rotation_matrix, (cols, rows))# Display the original and rotated imagescv2.imshow("Original", image)cv2.imshow("Rotated", rotated_image)cv2.waitKey(0)cv2.destroyAllWindows()

进行重写的内容是：旋转

以上がデジタル画像処理のための画像操作の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。