圖片處理-opencv-13.圖像量化處理

圖像量化處理

圖像通常是自然界景物的客觀反映何鸡,并以照片形式或視頻記錄的介質(zhì)連續(xù)保存颊糜,獲取圖像的目標(biāo)是從感知的數(shù)據(jù)中產(chǎn)生數(shù)字圖像嗅剖,因此需要把連續(xù)的圖像數(shù)據(jù)離散化溶其,轉(zhuǎn)換為數(shù)字化圖像,其工作主要包括兩方面——量化和采樣策橘。數(shù)字化幅度值稱為量化炸渡,數(shù)字化坐標(biāo)值稱為采樣。

所謂量化(Quantization)丽已,就是將圖像像素點(diǎn)對(duì)應(yīng)亮度的連續(xù)變化區(qū)間轉(zhuǎn)換為單個(gè)特定值的過(guò)程蚌堵,即將原始灰度圖像的空間坐標(biāo)幅度值離散化。量化等級(jí)越多沛婴,圖像層次越豐富吼畏,灰度分辨率越高,圖像的質(zhì)量也越好嘁灯;量化等級(jí)越少泻蚊,圖像層次欠豐富,灰度分辨率越低丑婿,會(huì)出現(xiàn)圖像輪廓分層的現(xiàn)象性雄,降低了圖像的質(zhì)量没卸。

import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))

#讀取原始圖像
img = cv2.imread('data/test3.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
#獲取圖像高度和寬度
height = img.shape[0]
width = img.shape[1]

#創(chuàng)建一幅圖像
new_img1 = np.zeros((height, width, 3), np.uint8)
new_img2 = np.zeros((height, width, 3), np.uint8)
new_img3 = np.zeros((height, width, 3), np.uint8)

#圖像量化等級(jí)為2的量化處理
for i in range(height):
    for j in range(width):
        for k in range(3):  #對(duì)應(yīng)BGR三分量
            if img[i, j][k] < 128:
                gray = 0
            else:
                gray = 128
            new_img1[i, j][k] = np.uint8(gray)

#圖像量化等級(jí)為4的量化處理
for i in range(height):
    for j in range(width):
        for k in range(3):  #對(duì)應(yīng)BGR三分量
            if img[i, j][k] < 64:
                gray = 0
            elif img[i, j][k] < 128:
                gray = 64
            elif img[i, j][k] < 192:
                gray = 128
            else:
                gray = 192
            new_img2[i, j][k] = np.uint8(gray)

#用來(lái)正常顯示中文標(biāo)簽
plt.rcParams['font.sans-serif'] = ['SimHei']

#顯示圖像
titles = [u'(a) 原始圖像', u'(b) 量化-L2', u'(c) 量化-L4']
images = [img, new_img1, new_img2]
for i in range(3):
    plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray'),
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()
image.png

K-Means聚類(lèi)量化處理

import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))

#讀取原始圖像
img = cv2.imread('data/test3.jpg')

#圖像二維像素轉(zhuǎn)換為一維
data = img.reshape((-1, 3))
data = np.float32(data)

#定義中心 (type,max_iter,epsilon)
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

#設(shè)置標(biāo)簽
flags = cv2.KMEANS_RANDOM_CENTERS

#K-Means聚類(lèi) 聚集成4類(lèi)
compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags)

#圖像轉(zhuǎn)換回uint8二維類(lèi)型
centers = np.uint8(centers)
res = centers[labels.flatten()]
dst = res.reshape((img.shape))

#圖像轉(zhuǎn)換為RGB顯示
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
dst = cv2.cvtColor(dst, cv2.COLOR_BGR2RGB)

#用來(lái)正常顯示中文標(biāo)簽
plt.rcParams['font.sans-serif'] = ['SimHei']

#顯示圖像
titles = [u'原始圖像', u'聚類(lèi)量化 K=4']
images = [img, dst]
for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray'),
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()
image.png
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市秒旋,隨后出現(xiàn)的幾起案子约计,更是在濱河造成了極大的恐慌,老刑警劉巖迁筛,帶你破解...
    沈念sama閱讀 211,639評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件煤蚌,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡细卧,警方通過(guò)查閱死者的電腦和手機(jī)尉桩,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)贪庙,“玉大人蜘犁,你說(shuō)我怎么就攤上這事〔迩冢” “怎么了沽瘦?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,221評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵革骨,是天一觀的道長(zhǎng)农尖。 經(jīng)常有香客問(wèn)我,道長(zhǎng)良哲,這世上最難降的妖魔是什么盛卡? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,474評(píng)論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮筑凫,結(jié)果婚禮上滑沧,老公的妹妹穿的比我還像新娘。我一直安慰自己巍实,他們只是感情好滓技,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,570評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著棚潦,像睡著了一般令漂。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上丸边,一...
    開(kāi)封第一講書(shū)人閱讀 49,816評(píng)論 1 290
  • 那天叠必,我揣著相機(jī)與錄音,去河邊找鬼妹窖。 笑死纬朝,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的骄呼。 我是一名探鬼主播共苛,決...
    沈念sama閱讀 38,957評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼判没,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了隅茎?” 一聲冷哼從身側(cè)響起哆致,我...
    開(kāi)封第一講書(shū)人閱讀 37,718評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎患膛,沒(méi)想到半個(gè)月后摊阀,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,176評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡踪蹬,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,511評(píng)論 2 327
  • 正文 我和宋清朗相戀三年胞此,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片跃捣。...
    茶點(diǎn)故事閱讀 38,646評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡漱牵,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出疚漆,到底是詐尸還是另有隱情酣胀,我是刑警寧澤,帶...
    沈念sama閱讀 34,322評(píng)論 4 330
  • 正文 年R本政府宣布娶聘,位于F島的核電站闻镶,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏丸升。R本人自食惡果不足惜铆农,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,934評(píng)論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望狡耻。 院中可真熱鬧墩剖,春花似錦、人聲如沸夷狰。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,755評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)沼头。三九已至爷绘,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間瘫证,已是汗流浹背揉阎。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,987評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留背捌,地道東北人毙籽。 一個(gè)月前我還...
    沈念sama閱讀 46,358評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像毡庆,于是被迫代替她去往敵國(guó)和親坑赡。 傳聞我的和親對(duì)象是個(gè)殘疾皇子烙如,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,514評(píng)論 2 348