数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何在 OpenCV Python 中规范化图像？
我们使用函数 cv2.normalize() 在 OpenCV 中规范化图像。此函数接受参数 - src、dst、alpha、beta、norm_type、dtype 和 mask。src 和 dst 是输入图像和与输入大小相同的输出，alpha 是范围规范化的较低范数值，beta 是范围规范化的较高范数值，norm_type 是规范化类型，dtype 是输出的数据类型，mask 是可选的操作掩码。
步骤
要规范化图像，我们可以按照以下步骤操作 -
导入所需的库。在以下所有示例中，所需的 Python 库是 OpenCV。确保您已安装它。
使用 cv2.imread() 方法将输入图像读取为灰度图像。使用图像类型（即 png 或 jpg）指定图像的完整路径。
对输入图像 img 应用 cv2.normalize() 函数。传递参数 src、dst、alpha、beta、norm_type、dtype 和 mask。
img_normalized = cv2.normalize(img, None, 0, 1.0, cv2.NORM_MINMAX, dtype=cv2.CV_32F)
显示规范化的输出图像。
打印规范化前后图像数据。尝试找出这两个图像数据之间的差异。
让我们借助一些 Python 示例来理解这个问题。
我们将在以下示例中使用此图像作为输入文件 -
示例
在此 Python 程序中，我们使用最小-最大范数规范化彩色输入图像。图像像素值被规范化到 [0,1] 的范围。
# import required library import cv2 # read the input image in grayscale img = cv2.imread('jeep.jpg',0) print("Image data before Normalize:\n", img) # Normalize the image img_normalized = cv2.normalize(img, None, 0, 1.0, cv2.NORM_MINMAX, dtype=cv2.CV_32F) # visualize the normalized image cv2.imshow('Normalized Image', img_normalized) cv2.waitKey(0) cv2.destroyAllWindows() print("Image data after Normalize:\n", img_normalized)
输出
运行上述程序时，将产生以下输出 -
Image data before Normalize: [[ 37 37 37 ... 55 55 55] [ 39 39 39 ... 57 56 56] [ 39 39 39 ... 56 56 56] ... [243 244 244 ... 82 85 86] [242 245 245 ... 83 91 91] [242 245 245 ... 86 94 93]] Image data after Normalize: [[0.14509805 0.14509805 0.14509805 ... 0.21568629 0.21568629 0.21568629] [0.15294118 0.15294118 0.15294118 ... 0.22352943 0.21960786 0.21960786] [0.15294118 0.15294118 0.15294118 ... 0.21960786 0.21960786 0.21960786] ... [0.95294124 0.9568628 0.9568628 ... 0.32156864 0.33333334 0.3372549 ] [0.9490197 0.9607844 0.9607844 ... 0.3254902 0.35686275 0.35686275] [0.9490197 0.9607844 0.9607844 ... 0.3372549 0.36862746 0.3647059 ]]
并且我们得到以下显示规范化图像的窗口 -
示例
在此 Python 程序中，我们使用最小-最大范数规范化二进制输入图像。规范化后的图像像素值要么为 0 要么为 1。
# import required library import cv2 # read the input image as grayscale image img = cv2.imread('jeep.jpg',0) print("Image data before Normalize:\n", img) # Apply threshold to create a binary image ret,thresh = cv2.threshold(img,140,255,cv2.THRESH_BINARY) print("Image data after Thresholding:\n", thresh) # normalize the binary image img_normalized = cv2.normalize(thresh, None, 0, 1.0, cv2.NORM_MINMAX, dtype=cv2.CV_32F) # visualize the normalized image cv2.imshow('Normalized Image', img_normalized) cv2.waitKey(0) cv2.destroyAllWindows() print("Image data after Normalize:\n", img_normalized)
输出
运行上述 Python 程序时，将产生以下输出 -
Image data before Normalize: [[ 37 37 37 ... 55 55 55] [ 39 39 39 ... 57 56 56] [ 39 39 39 ... 56 56 56] ... [243 244 244 ... 82 85 86] [242 245 245 ... 83 91 91] [242 245 245 ... 86 94 93]] Image data after Thresholding: [[ 0 0 0 ... 0 0 0] [ 0 0 0 ... 0 0 0] [ 0 0 0 ... 0 0 0] ... [255 255 255 ... 0 0 0] [255 255 255 ... 0 0 0] [255 255 255 ... 0 0 0]] Image data after Normalize: [[0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] ... [1. 1. 1. ... 0. 0. 0.] [1. 1. 1. ... 0. 0. 0.] [1. 1. 1. ... 0. 0. 0.]]
并且我们得到以下显示规范化二进制图像的窗口 -
更新于: 2023年8月26日
43K+ 浏览量
广告