不會(huì)吧？不會(huì)吧？不會(huì)吧？不會(huì)有人忘記我還會(huì)寫(xiě)圖像處理的代碼吧？別說(shuō)了，我知道你忘了，沒(méi)關(guān)系，我會(huì)在這篇文章寫(xiě)一些很簡(jiǎn)短的代碼實(shí)現(xiàn)常見(jiàn)的圖像處理工作。

如何提取深度圖像的邊緣信息？

Sobel算子：Sobel算子是一種基于圖像梯度的邊緣檢測(cè)算法，可以在x方向和y方向上計(jì)算圖像的梯度，然后將兩個(gè)梯度值合并成一個(gè)邊緣強(qiáng)度值。通常可以使用Sobel算子來(lái)檢測(cè)深度圖像中的水平和垂直邊緣。 Scharr算子是一種改進(jìn)的Sobel算子，它使用了更大的卷積核來(lái)平滑圖像，并在計(jì)算梯度時(shí)使用更準(zhǔn)確的權(quán)重。Scharr算子在處理低對(duì)比度圖像時(shí)表現(xiàn)更好。 Laplacian算子：Laplacian算子是一種基于二階微分的邊緣檢測(cè)算法，可以檢測(cè)出深度圖像中的較強(qiáng)的邊緣。該算子計(jì)算圖像的拉普拉斯變換，并尋找其中的極值點(diǎn)作為邊緣點(diǎn)。 深度邊緣檢測(cè)算法：除了基于梯度或微分的算法，還有一些專門針對(duì)深度圖像的邊緣檢測(cè)算法。這些算法通常利用深度圖像的信息來(lái)檢測(cè)物體表面的變化，例如深度跳變或斜率變化等。 Canny算子是一種廣泛使用的邊緣檢測(cè)算法，它采用了多步驟的邊緣檢測(cè)過(guò)程。首先，使用高斯濾波器平滑圖像，然后計(jì)算圖像的梯度和梯度方向。接下來(lái)，應(yīng)用非極大值抑制和雙閾值處理來(lái)提取邊緣。最后，通過(guò)連接具有強(qiáng)度邊緣的像素來(lái)獲得完整的邊緣。Canny算子在抑制噪聲和保留真實(shí)邊緣方面表現(xiàn)良好，通常被認(rèn)為是一種比Sobel算子更優(yōu)秀的邊緣檢測(cè)算法。 如何使用Python實(shí)現(xiàn)一個(gè)抽幀算法？ 為啥會(huì)有這種東西？原因就是因?yàn)閳D像幀太多又不需要都處理~

import cv2


def extract_frames(video_path, interval):
    # 打開(kāi)視頻文件
    cap = cv2.VideoCapture(video_path)
    # 計(jì)算視頻總幀數(shù)和幀率
    frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    fps = cap.get(cv2.CAP_PROP_FPS)
    # 計(jì)算抽幀間隔
    interval_frames = int(interval * fps)
    # 初始化幀計(jì)數(shù)器和關(guān)鍵幀列表
    count = 0
    frames = []
    # 逐幀遍歷視頻
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        count += 1
        # 如果是關(guān)鍵幀，將其添加到關(guān)鍵幀列表中
        if count % interval_frames == 0:
            frames.append(frame)
    # 關(guān)閉視頻文件
    cap.release()
????return?frames

? 照指定的時(shí)間間隔從視頻中抽取關(guān)鍵幀 上述代碼中，extract_frames()函數(shù)接受視頻文件路徑和抽幀間隔作為輸入參數(shù)，返回一個(gè)包含關(guān)鍵幀的列表。在函數(shù)內(nèi)部，首先使用cv2.VideoCapture()函數(shù)打開(kāi)視頻文件，并使用cv2.CAP_PROP_FRAME_COUNT和cv2.CAP_PROP_FPS獲取視頻總幀數(shù)和幀率。然后，根據(jù)指定的抽幀間隔計(jì)算需要保留的關(guān)鍵幀，在逐幀遍歷視頻時(shí)根據(jù)幀計(jì)數(shù)器來(lái)判斷當(dāng)前幀是否為關(guān)鍵幀，如果是，則將其添加到關(guān)鍵幀列表中。最后，使用cap.release()函數(shù)關(guān)閉視頻文件。 可以使用以下代碼調(diào)用extract_frames()函數(shù)來(lái)從視頻文件中抽取關(guān)鍵幀：

frames = extract_frames('video.mp4', 1)  # 抽取間隔為1秒的關(guān)鍵幀
for frame in frames:
    cv2.imshow('frame', frame)
    cv2.waitKey(0)
cv2.destroyAllWindows()

? 上述代碼將抽取間隔設(shè)置為1秒，然后遍歷返回的關(guān)鍵幀列表，使用cv2.imshow()函數(shù)顯示每個(gè)關(guān)鍵幀，并在用戶按下鍵盤后繼續(xù)顯示下一個(gè)關(guān)鍵幀。最后，使用cv2.destroyAllWindows()函數(shù)關(guān)閉所有顯示窗口。 讓我們使用一個(gè)算子來(lái)提取深度圖像的邊緣信息的函數(shù)： Sobel算子是一種常用的邊緣檢測(cè)算子，它利用圖像的灰度值變化來(lái)檢測(cè)邊緣。

import cv2
import numpy as np


def extract_depth_edges(depth_img):
    # 計(jì)算Sobel算子的卷積核
    sobelx = cv2.Sobel(depth_img, cv2.CV_64F, 1, 0, ksize=3)
    sobely = cv2.Sobel(depth_img, cv2.CV_64F, 0, 1, ksize=3)
    # 計(jì)算梯度幅值和方向
    grad_mag = np.sqrt(sobelx ** 2 + sobely ** 2)
    grad_dir = np.arctan2(sobely, sobelx)
    # 將梯度幅值歸一化到0-255之間
    grad_mag_norm = cv2.normalize(grad_mag, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)
    # 將梯度方向轉(zhuǎn)換為角度
    grad_dir_deg = (grad_dir * 180 / np.pi) % 180
    # 應(yīng)用非極大值抑制
    grad_mag_nms = cv2.Canny(grad_mag_norm, 100, 200)
????return?grad_mag_nms

? 上述代碼中，extract_depth_edges()函數(shù)接受深度圖像作為輸入?yún)?shù)，返回提取的邊緣信息。在函數(shù)內(nèi)部，首先使用cv2.Sobel()函數(shù)計(jì)算x和y方向上的Sobel算子的卷積核，然后計(jì)算梯度幅值和方向。接下來(lái)，將梯度幅值歸一化到0-255之間，并將梯度方向轉(zhuǎn)換為角度。最后，應(yīng)用非極大值抑制（Canny邊緣檢測(cè)算法）來(lái)提取邊緣信息，并返回結(jié)果。 可以使用以下代碼調(diào)用extract_depth_edges()函數(shù)來(lái)提取深度圖像的邊緣信息：

depth_img = cv2.imread('depth_image.png', cv2.IMREAD_GRAYSCALE)
edges = extract_depth_edges(depth_img)
cv2.imshow('depth_edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

? 上述代碼將讀取深度圖像并將其作為輸入?yún)?shù)傳遞給extract_depth_edges()函數(shù)，然后顯示提取的邊緣信息。 有時(shí)候會(huì)有這樣的需求，把提取的圖像邊緣保存在一個(gè)txt文件中： 假設(shè)我們已經(jīng)提取了深度圖像的邊緣信息，存儲(chǔ)在名為edge_img的NumPy數(shù)組中，邊緣值的范圍在0到255之間。

import numpy as np


# 假設(shè)我們已經(jīng)提取了深度圖像的邊緣信息，存儲(chǔ)在名為edge_img的NumPy數(shù)組中


# 將邊緣值縮放到0到1之間
edge_img = edge_img / 255.0


# 將邊緣信息轉(zhuǎn)換為字符串格式
edge_str = np.array2string(edge_img, separator=',', formatter={'float_kind':lambda x: "%.5f" % x})


# 將字符串寫(xiě)入txt文件
with open('edge_info.txt', 'w') as f:
????f.write(edge_str)

在上面的代碼中，我們將邊緣值縮放到0到1之間，并將其轉(zhuǎn)換為字符串格式。我們使用NumPy的array2string函數(shù)將數(shù)組轉(zhuǎn)換為字符串，并使用逗號(hào)作為分隔符。我們還設(shè)置了formatter參數(shù)，將浮點(diǎn)數(shù)的小數(shù)位數(shù)限制為5位。最后，我們將字符串寫(xiě)入名為edge_info.txt的txt文件中。 請(qǐng)注意，在讀取txt文件時(shí)，需要使用適當(dāng)?shù)拇a將字符串轉(zhuǎn)換回NumPy數(shù)組格式。 雖然一直寫(xiě)不了長(zhǎng)代碼，但是不妨礙我寫(xiě)在一起： 接下來(lái)把抽幀算法和保存邊緣到txt的函數(shù)寫(xiě)在一起

import cv2
import numpy as np


def extract_edge(frame, threshold):
    # 使用高斯模糊平滑圖像
    blurred = cv2.GaussianBlur(frame, (3, 3), 0)
    # 轉(zhuǎn)換為灰度圖像
    gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
    # 使用Canny算法提取邊緣
    edges = cv2.Canny(gray, threshold, threshold * 2)
    return edges


def save_edges_to_txt(edges, filename):
    # 將邊緣值縮放到0到1之間
    edges = edges / 255.0
    # 將邊緣信息轉(zhuǎn)換為字符串格式
    edge_str = np.array2string(edges, separator=',', formatter={'float_kind':lambda x: "%.5f" % x})
    # 將字符串寫(xiě)入txt文件
    with open(filename, 'w') as f:
        f.write(edge_str)


# 讀取深度圖像
depth_img = cv2.imread('depth_img.png')
# 指定抽幀間隔
interval = 10
# 提取深度圖像邊緣
edges = extract_edge(depth_img, 50)
# 抽幀，保留每隔interval個(gè)像素
sampled_edges = edges[::interval, ::interval]
# 將邊緣信息保存到txt文件中
save_edges_to_txt(sampled_edges,?'edge_info.txt')

在上面的代碼中，我們定義了一個(gè)extract_edge函數(shù)來(lái)提取深度圖像的邊緣，該函數(shù)使用高斯模糊平滑圖像并使用Canny算法提取邊緣。我們還定義了一個(gè)save_edges_to_txt函數(shù)，將邊緣信息保存到txt文件中。 在主函數(shù)中，我們首先讀取深度圖像，然后指定抽幀間隔。我們使用extract_edge函數(shù)提取深度圖像邊緣，并使用抽幀算法保留每隔interval個(gè)像素。最后，我們使用save_edges_to_txt函數(shù)將提取的邊緣信息保存到txt文件中。 應(yīng)該是可以直接運(yùn)行的，如果運(yùn)行不了你再改改？ 上面鄙人已經(jīng)教了你把圖像轉(zhuǎn)換成txt的文件，如何把保存在txt文件里面的邊緣信息恢復(fù)成圖像呢？ 你會(huì)不？ 2。根據(jù)邊緣信息數(shù)組的大小創(chuàng)建一個(gè)全零的數(shù)組，然后將邊緣信息數(shù)組的值復(fù)制到全零數(shù)組的對(duì)應(yīng)位置上。可以使用numpy.zeros函數(shù)創(chuàng)建全零數(shù)組，并使用numpy.put函數(shù)將邊緣信息數(shù)組的值復(fù)制到全零數(shù)組的對(duì)應(yīng)位置上。 3.對(duì)全零數(shù)組進(jìn)行插值操作，以生成與原始深度圖像相同大小的邊緣圖像。可以使用cv2.resize函數(shù)對(duì)全零數(shù)組進(jìn)行插值操作。 4.對(duì)插值后的邊緣圖像進(jìn)行二值化處理，以生成二值圖像。可以使用cv2.threshold函數(shù)對(duì)插值后的邊緣圖像進(jìn)行二值化處理。

import cv2
import numpy as np


def load_edges_from_txt(filename, shape):
    # 從txt文件中讀取邊緣信息
    edge_str = np.loadtxt(filename, delimiter=',')
    # 創(chuàng)建全零數(shù)組
    edges = np.zeros(shape)
    # 將邊緣信息復(fù)制到全零數(shù)組的對(duì)應(yīng)位置上
    np.put(edges, np.arange(shape[0]*shape[1]), edge_str)
    # 對(duì)全零數(shù)組進(jìn)行插值操作
    edges = cv2.resize(edges, (shape[1], shape[0]))
    # 對(duì)插值后的邊緣圖像進(jìn)行二值化處理
    ret, edges = cv2.threshold(edges, 0, 255, cv2.THRESH_BINARY)
    return edges


# 讀取深度圖像
depth_img = cv2.imread('depth_img.png')
# 獲取深度圖像大小
height, width = depth_img.shape[:2]
# 從txt文件中加載邊緣信息，并恢復(fù)成圖像
edges = load_edges_from_txt('edge_info.txt', (height//10, width//10))
# 顯示原始深度圖像和恢復(fù)的邊緣圖像
cv2.imshow('depth_img', depth_img)
cv2.imshow('edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

? ? 在上面的代碼中，我們定義了一個(gè)load_edges_from_txt函數(shù)，該函數(shù)從txt文件中加載邊緣信息，并將其恢復(fù)成圖像。該函數(shù)首先使用numpy.loadtxt函數(shù)從文件中加載數(shù)據(jù)，并將其轉(zhuǎn)換為NumPy數(shù)組。然后，該函數(shù)根據(jù)指定的圖像大小創(chuàng)建一個(gè)全零數(shù)組，并使用numpy.put函數(shù)將邊緣信息數(shù)組的值復(fù)制到全零數(shù)組的對(duì)應(yīng)位置上。接下來(lái)，該函數(shù)對(duì)全零數(shù)組進(jìn)行插值操作，并使用cv2.threshold函數(shù)對(duì)插值后的邊緣圖像進(jìn)行二值化處理，生成二值圖像。 最后一個(gè)代碼，把1000x1000的圖像信息轉(zhuǎn)換到10x10的圖像里面，應(yīng)該怎么做？ 使用圖像縮放操作。可以使用OpenCV中的cv2.resize函數(shù)對(duì)原始圖像進(jìn)行縮放操作。該函數(shù)的輸入?yún)?shù)包括原始圖像、目標(biāo)圖像大小和插值方法等。

import cv2


# 讀取原始圖像
img = cv2.imread('original_image.png')
# 縮放圖像
new_img = cv2.resize(img, (10, 10), interpolation=cv2.INTER_AREA)
# 顯示原始圖像和縮放后的圖像
cv2.imshow('original', img)
cv2.imshow('new', new_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上面的代碼中，我們使用cv2.imread函數(shù)讀取原始圖像，然后使用cv2.resize函數(shù)對(duì)原始圖像進(jìn)行縮放操作，將其縮放為10x10的圖像。在cv2.resize函數(shù)中，我們將目標(biāo)圖像大小設(shè)置為(10, 10)，并將插值方法設(shè)置為cv2.INTER_AREA。最后，我們使用cv2.imshow函數(shù)顯示原始圖像和縮放后的圖像。 ?

?

?