一、图片转化
- （1）原图
- （2）转换为位图
- （3）压缩率
二、区分位图
- （1）16/32位位图对照
- （2）256/16/单色位图对照
三、图片处理编程
- （一）奇异函数分解（SDV）
- （二）用图像的开闭运算(腐蚀-膨胀)，检测出2个样本图像中硬币、细胞的个数
四、图片条形码定位
五、总结
六、参考链接

一、图片转化

（1）原图

1.原图 sky.jpeg（2240*1080）
2.原图信息

（2）转换为位图

1.使用工具有Photoshop和电脑自带的画图工具或者IrfanView更改图片的色彩格式、位深度，将原图转化为以下图片，分别有32位、24位、16位彩色和256色、16色、单色的位图（BMP)文件，png，gif，jpg，bmp（前面的都是）：

2.计算位图方式（以sky_24位彩色为例）：2240108024/8/1024=7087.5KB/1024≈6.92MB，其他位图也可这样计算，宽度高度位深度/一个字节8个比特位/1024=多少KB

3.以sky_24位彩色为例，UltraEdit查看图片头文件信息如下

4.位图文件头分4部分，共14字节：

bfType   2字节 标识，就是“BM”二字  BMbfSize    4字节 整个BMP文件的大小  0x000C0036(786486)【与右键查看图片属性里面的大小值一样】bfReserved1/2  4字节 保留字，没用   0bfOffBits  4字节 偏移数，即 位图文件头+位图信息头+调色板 的大小  0x36(54)

5.色彩格式和图片文件格式都在影响图片大小：

（3）压缩率

1.原图片是sky.jpeg大小为1052KB，而gif的大小为1072KB，jpg大小为455KB，png为3172KB，bmp（以sky_24位彩色为例）为7088KB
比较大小：

PNG压缩比：-301.5%

BMP压缩比：-673.8%

JPG压缩比：43.3%

GIF压缩比：101.9%

二、区分位图

（1）16/32位位图对照

1.16位位图信息

2.32位位图信息

3.由上图可知4.61MB*2=9.22MB
16位位图所占存储空间大小比32位少，接近32位位图的一半，32位位图压缩了一半变成了16位位图

（2）256/16/单色位图对照

1.单色位图

2.16色位图

3.256色位图

4.三张图片的信息

单色：

16色：

256色：

可以清晰的发现颜色越多，图片越大

三、图片处理编程

（一）奇异函数分解（SDV）

1.代码

import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprintdef restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量m = len(u)n = len(v[0])a = np.zeros((m, n))for k in range(K):uk = u[:, k].reshape(m, 1)vk = v[k].reshape(1, n)a += sigma[k] * np.dot(uk, vk)a[a < 0] = 0a[a > 255] = 255# a = a.clip(0, 255)return np.rint(a).astype('uint8')def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量m = len(u)n = len(v[0])a = np.zeros((m, n))for k in range(K+1):for i in range(m):a[i] += sigma[k] * u[i][k] * v[k]a[a < 0] = 0a[a > 255] = 255return np.rint(a).astype('uint8')if __name__ == "__main__":A = Image.open("./Lena.jpeg", 'r')print(A)output_path = r'./SVD_Output'if not os.path.exists(output_path):os.mkdir(output_path)a = np.array(A)print(a.shape)K = 50u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])plt.figure(figsize=(11, 9), facecolor='w')mpl.rcParams['font.sans-serif'] = ['simHei']mpl.rcParams['axes.unicode_minus'] = Falsefor k in range(1, K+1):print(k)R = restore1(sigma_r, u_r, v_r, k)G = restore1(sigma_g, u_g, v_g, k)B = restore1(sigma_b, u_b, v_b, k)I = np.stack((R, G, B), axis=2)Image.fromarray(I).save('%s\\svd_%d.jpeg' % (output_path, k))if k <= 50:plt.subplot(10, 5, k)plt.imshow(I)plt.axis('off')plt.title('奇异值个数：%d' % k)plt.suptitle('SVD与图像分解', fontsize=20)#plt.tight_layout(0.3, rect=(0, 0, 1, 0.92))# plt.subplots_adjust(top=0.9)plt.show()

2.运行结果

可以观察到，随着奇异值的增加图片变得越来越清晰。

（二）用图像的开闭运算(腐蚀-膨胀)，检测出2个样本图像中硬币、细胞的个数

1.硬币代码

import cv2
import numpy as npdef stackImages(scale, imgArray):"""将多张图像压入同一个窗口显示:param scale:float类型，输出图像显示百分比，控制缩放比例，0.5=图像分辨率缩小一半:param imgArray:元组嵌套列表，需要排列的图像矩阵:return:输出图像"""rows = len(imgArray)cols = len(imgArray[0])rowsAvailable = isinstance(imgArray[0], list)width = imgArray[0][0].shape[1]height = imgArray[0][0].shape[0]if rowsAvailable:for x in range(0, rows):for y in range(0, cols):if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)else:imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]),None, scale, scale)if len(imgArray[x][y].shape) == 2: imgArray[x][y] = cv2.cvtColor(imgArray[x][y], cv2.COLOR_GRAY2BGR)imageBlank = np.zeros((height, width, 3), np.uint8)hor = [imageBlank] * rowshor_con = [imageBlank] * rowsfor x in range(0, rows):hor[x] = np.hstack(imgArray[x])ver = np.vstack(hor)else:for x in range(0, rows):if imgArray[x].shape[:2] == imgArray[0].shape[:2]:imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)else:imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None, scale, scale)if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)hor = np.hstack(imgArray)ver = horreturn ver#读取图片
src = cv2.imread("./coin.png")
img = src.copy()#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)#腐蚀（腐蚀主要为了把每个硬币区分开。过大会造成缺失，过低会无法区分开。参数可以自己设置以达到合适。）
kernel = np.ones((17, 17), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)#膨胀（膨胀到合适的值，这样每一个白色区域就是一个硬币。）
kernel = np.ones((3, 3), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)#找到硬币中心
contours, hierarchy = cv2.findContours(img_4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2:]#标识硬币
cv2.drawContours(img, contours, -1, (0, 0, 255), 5)#显示图片
cv2.putText(img, "count:{}".format(len(contours)), (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(src, "src", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_1, "gray", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_2, "thresh", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_3, "erode", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
cv2.putText(img_4, "dilate", (0, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 0), 3)
imgStack = stackImages(1, ([src, img_1, img_2], [img_3, img_4, img]))
cv2.imshow("imgStack", imgStack)
cv2.waitKey(0)

2.结果

3.细胞代码

在这里插入代码片

4.结果

四、图片条形码定位

1.代码

import cv2
import pyzbar.pyzbar as pyzbar
import numpy
from PIL import Image, ImageDraw, ImageFont
import matplotlib.pyplot as plt # plt 用于显示图片
import matplotlib.image as mpimg # mpimg 用于读取图片def decodeDisplay(img_path):img_data = cv2.imread(img_path)# 转为灰度图像gray = cv2.cvtColor(img_data, cv2.COLOR_BGR2GRAY)barcodes = pyzbar.decode(gray)for barcode in barcodes:# 提取条形码的边界框的位置# 画出图像中条形码的边界框(x, y, w, h) = barcode.rectcv2.rectangle(img_data, (x, y), (x + w, y + h), (0, 255, 0), 5)# 条形码数据为字节对象，所以如果我们想在输出图像上# 画出来，就需要先将它转换成字符串barcodeData = barcode.data.decode("utf-8")barcodeType = barcode.type#不能显示中文# 绘出图像上条形码的数据和条形码类型#text = "{} ({})".format(barcodeData, barcodeType)#cv2.putText(imagex1, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX,5, (0, 0, 125), 2)#更换为：img_PIL = Image.fromarray(cv2.cvtColor(img_data, cv2.COLOR_BGR2RGB))# 参数（字体，默认大小）font = ImageFont.truetype('msyh.ttc', 150)# 字体颜色（rgb)fillColor = (0, 255, 255)# 文字输出位置position = (x, y-50)# 输出内容str = barcodeData# 需要先把输出的中文字符转换成Unicode编码形式(  str.decode("utf-8)   )draw = ImageDraw.Draw(img_PIL)draw.text(position, str, font=font, fill=fillColor)# 使用PIL中的save方法保存图片到本地img_PIL.save('ma1.jpg', 'jpeg')# 向终端打印条形码数据和条形码类型print("扫描结果==》 类别： {0} 内容： {1}".format(barcodeType, barcodeData))ma1 = mpimg.imread('ma1.jpg')img = plt.imshow(ma1)plt.axis('off') # 不显示坐标轴plt.show()if __name__ == '__main__':decodeDisplay("ma.jpg")

2.原图

3.结果

五、总结

对位图有了更进一步的了解，对图像的编程处理也加强了学习，区分了位图的区别，图像颜色更多，图片更大，也知道了位图大小的计算。

六、参考链接

python实现读取并显示图片的两种方法

数字图像与机器视觉基础补充(1)

数字图像与机器视觉基础补充(1)——区分位图和图像处理相关推荐

数字图像与机器视觉基础补充(2)--颜色转换+分割车牌
录一.彩色图像文件转灰度文件 1.1 使用opencv 1.1.1 通过cvtColor库将其转为灰度 1.1.2 通过分离RGB三个通道得到三个通道的灰度图 1.2 不使用opencv 二.将彩色 ...
数字图像与机器视觉基础补充(2)
一.彩色图像文件转换为灰度文件 (一)使用opencv 1.通过cvtColor库将其转为灰度 (1)代码 import cv2 as cv img = cv.imread('C:/Users/861 ...
数字图像与机器视觉基础补充(1)
一.比较不同位深度BMP文件从网页上下载一张彩色图片,查看该图片信息,显示位深度24 通过电脑画图程序和PS软件,分别将该图片保存为 32位.16位彩色和256色.16色.单色的位图(BMP)文件. ...
【计算机视觉】数字图像与机器视觉基础
一.位图文件分析 1. 什么是位图位图图像(bitmap),亦称为点阵图像或栅格图像,是由称作像素(图片元素)的单个点组成的.这些点可以进行不同的排列和染色以构成图样.当放大位图时,可以看见赖以构成 ...
数字图像与机器视觉基础(2)
一.OpenCV+Python车牌字符分割车牌号检测大致分为以下四个部分: 1.车辆图像获取 2.车牌定位 3.车牌字符分割 4.车牌字符识别处理原理: 车牌定位需要用到的是图片二值化为黑白后进c ...
数字图像与机器视觉基础2
一.使用和不使用opencv将彩色图像转化为灰度图像具体步骤 1.灰度转换:将彩色图片转换为灰度图像,常见的R=G=B=像素平均值. 2.高斯平滑和中值滤波:去除噪声. 3.Sobel算子:提取图像 ...
【机器视觉】整合：机器视觉基础知识汇总
本文系鼎酷IOT部落今日头条号原创,转载请注明出处. 到如今,中国已经成为世界机器视觉发展最为活跃地区,应用范围涵盖了工业.农业.医药.军事.航天.气象等国民经济各个行业.虽然机器视觉的成长速度非常快 ...
【机器视觉基础知识整理】
机器视觉基础知识整理本文记录一些比较有用的机器视觉硬件知识的文章链接,留以备用.会不定时更新补充,也欢迎大家下方评论补充,一起将有用的好文收集整理起来,用的时候也方便一些.(注:本文只附录文章链接, ...
机器视觉基础笔记01
机器视觉基础笔记01 1. 什么是图像?怎么定义图像? 图像定义为二维函数 *f(x,y)*,其中*x,y*是空间坐标,*f(x,y)*是点 *(x,y)*的幅值.灰度图像是一个二维灰度(或亮度)函数 ...

数字图像与机器视觉基础补充(1)——区分位图和图像处理

目录