資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究如何在 OpenCV Python 中規範化影像？
我們使用函式 cv2.normalize() 在 OpenCV 中規範化影像。此函式接受引數 - src、dst、alpha、beta、norm_type、dtype 和 mask。src 和 dst 是輸入影像和與輸入大小相同的輸出，alpha 是範圍規範化的較低範數值，beta 是範圍規範化的較高範數值，norm_type 是規範化型別，dtype 是輸出的資料型別，mask 是可選的操作掩碼。
步驟
要規範化影像，我們可以按照以下步驟操作 -
匯入所需的庫。在以下所有示例中，所需的 Python 庫是 OpenCV。確保您已安裝它。
使用 cv2.imread() 方法將輸入影像讀取為灰度影像。使用影像型別（即 png 或 jpg）指定影像的完整路徑。
對輸入影像 img 應用 cv2.normalize() 函式。傳遞引數 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)
顯示規範化的輸出影像。
列印規範化前後影像資料。嘗試找出這兩個影像資料之間的差異。
讓我們藉助一些 Python 示例來理解這個問題。
我們將在以下示例中使用此影像作為輸入檔案 -
示例
在此 Python 程式中，我們使用最小-最大範數規範化彩色輸入影像。影像畫素值被規範化到 [0,1] 的範圍。
# 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)
輸出
執行上述程式時，將產生以下輸出 -
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 ]]
並且我們得到以下顯示規範化影像的視窗 -
示例
在此 Python 程式中，我們使用最小-最大範數規範化二進位制輸入影像。規範化後的影像畫素值要麼為 0 要麼為 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)
輸出
執行上述 Python 程式時，將產生以下輸出 -
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.]]
並且我們得到以下顯示規範化二進位制影像的視窗 -
更新於: 2023年8月26日
43K+ 瀏覽量
廣告