使用opencv-Python进行图像锐化处理

使用 OpenCV 函数 cv::filter2D 执行一些拉普拉斯滤波以进行图像锐化

使用 OpenCV 函数 cv::distanceTransform 以获得二值图像的派生(derived)表示，其中每个像素的值被替换为其到最近背景像素的距离

使用 OpenCV 函数 cv::watershed 将图像中的对象与背景隔离

加载源图像并检查它是否加载没有任何问题，然后显示它：

# Load the image

parser = argparse.ArgumentParser(description='Code for Image Segmentation with Distance Transform and Watershed Algorithm.\

Sample code showing how to segment overlapping objects using Laplacian filtering, \

in addition to Watershed and Distance Transformation')

parser.add_argument('--input', help='Path to input image.', default='cards.png')

args = parser.parse_args()

src = cv.imread(cv.samples.findFile(args.input))

if src is None:

print('Could not open or find the image:', args.input)

exit(0)

# Show source image

cv.imshow('Source Image', src)

将背景从白色更改为黑色，因为这将有助于稍后在使用距离变换(Distance Transform)期间提取更好的结果

src[np.all(src == 255, axis=2)] = 0

之后，我们将锐化(sharpen)我们的图像，以锐化前景对象(the foreground objects)的边缘。 我们将应用具有相当强过滤器的拉普拉斯(laplacian)过滤器（二阶导数的近似值）：

锐化处理的主要目的是突出灰度的过度部分。由于拉普拉斯是一种微分算子，如果所使用的定义具有负的中心系数，那么必须将原图像减去经拉普拉斯变换后的图像，而不是加上它，从而得到锐化结果。----摘自《数字图像处理（第三版）》

现在我们将新的锐化源图像分别转换为灰度和二值图像（binary）：

# Create binary image from source image

bw = cv.cvtColor(imgResult, cv.COLOR_BGR2GRAY)

_, bw = cv.threshold(bw, 40, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)

cv.imshow('Binary Image', bw)

我们现在准备在二值图像（binary image）上应用距离变换。 此外，我们对输出图像进行归一化，以便能够对结果进行可视化和阈值处理：

distanceTransform用法

cv.distanceTransform( src, distanceType, maskSize[, dst[, dstType]] )

src：输入图像，数据类型为CV_8U的单通道图像

dst： 输出图像，与输入图像具有相同的尺寸，数据类型为CV_8U或者CV_32F的单通道图像。

distanceType：选择计算两个像素之间距离方法的标志，其常用的距离度量方法, DIST_L1(distance = |x1-x2| + |y1-y2| 街区距离), DIST_L2 (Euclidean distance 欧几里得距离，欧式距离) 。

maskSize：距离变换掩码矩阵的大小，参数可以选择的尺寸为DIST_MASK_3（3×3）和DIST_MASK_5（5×5）.

我们对 dist 图像进行阈值处理，然后执行一些形态学操作（即膨胀）以从上述图像中提取峰值：

从每个 blob 中，我们在 cv::findContours 函数的帮助下为分水岭算法创建一个种子/标记：

最后，我们可以应用分水岭算法，并将结果可视化：

之后会继续分享Python技术，欢迎大家学习交流~

原文链接：
https://blog.csdn.net/u012386311/article/details/121356798