目錄

二九、圖像累加

將輸入圖像累加到累加圖像中 (accumulate)

將輸入圖像加權(quán)累加到累加圖像中 (accumulateWeighted)

將輸入圖像的平方累加到累加圖像中 (accumulateSquare)

將兩個(gè)輸入圖像的乘積累加到累加圖像中 (accumulateProduct)

解釋

三十、隨機(jī)數(shù)與添加噪聲

使用 randu 生成均勻分布的隨機(jī)數(shù)并添加噪聲

使用 randn 生成正態(tài)分布的隨機(jī)數(shù)并添加噪聲

解釋

實(shí)際應(yīng)用

三一、PCA

計(jì)算主成分 (PCACompute)

將數(shù)據(jù)投影到主成分空間 (project)

將數(shù)據(jù)從主成分空間反投影回原空間 (backProject)

解釋

實(shí)際應(yīng)用

圖像壓縮示例

http://t.csdnimg.cn/i8pqt?—— opencv—常用函數(shù)學(xué)習(xí)_“干貨“_總（VIP）

散的正在一部分一部分發(fā)，不需要VIP。

資料整理不易，有用話(huà)給個(gè)贊和收藏吧。

---

二九、圖像累加

????????在OpenCV中，圖像累加是一個(gè)重要的操作，通常用于視頻處理、背景建模和圖像融合等任務(wù)。OpenCV提供了多種累加操作的函數(shù)，包括accumulate、accumulateWeighted、accumulateSquare 和 accumulateProduct。下面介紹這些函數(shù)及其使用示例。

圖像累加函數(shù)
accumulate	accumulateWeighted	accumulateSquare	accumulateProduct
將輸入圖像累加到累加圖像中	將輸入圖像加權(quán)累加到累加圖像中	將輸入圖像的平方累加到累加圖像中	將兩個(gè)輸入圖像的乘積累加到累加圖像中

將輸入圖像累加到累加圖像中 (accumulate)

import cv2
import numpy as np# 讀取圖像
image1 = cv2.imread('path_to_image1.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('path_to_image2.jpg', cv2.IMREAD_GRAYSCALE)# 初始化累加圖像
accum_image = np.zeros_like(image1, dtype=np.float32)# 執(zhí)行累加操作
cv2.accumulate(image1, accum_image)
cv2.accumulate(image2, accum_image)# 顯示累加結(jié)果
cv2.imshow('Accumulated Image', cv2.convertScaleAbs(accum_image))
cv2.waitKey(0)
cv2.destroyAllWindows()

將輸入圖像加權(quán)累加到累加圖像中 (accumulateWeighted)

# 初始化累加圖像
accum_image_weighted = np.zeros_like(image1, dtype=np.float32)# 加權(quán)累加操作
alpha = 0.5
cv2.accumulateWeighted(image1, accum_image_weighted, alpha)
cv2.accumulateWeighted(image2, accum_image_weighted, alpha)# 顯示加權(quán)累加結(jié)果
cv2.imshow('Accumulated Weighted Image', cv2.convertScaleAbs(accum_image_weighted))
cv2.waitKey(0)
cv2.destroyAllWindows()

將輸入圖像的平方累加到累加圖像中 (accumulateSquare)

# 初始化累加圖像
accum_image_square = np.zeros_like(image1, dtype=np.float32)# 累加平方操作
cv2.accumulateSquare(image1, accum_image_square)
cv2.accumulateSquare(image2, accum_image_square)# 顯示累加平方結(jié)果
cv2.imshow('Accumulated Square Image', cv2.convertScaleAbs(accum_image_square))
cv2.waitKey(0)
cv2.destroyAllWindows()

將兩個(gè)輸入圖像的乘積累加到累加圖像中 (accumulateProduct)

# 初始化累加圖像
accum_image_product = np.zeros_like(image1, dtype=np.float32)# 累加乘積操作
cv2.accumulateProduct(image1, image2, accum_image_product)# 顯示累加乘積結(jié)果
cv2.imshow('Accumulated Product Image', cv2.convertScaleAbs(accum_image_product))
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋

• accumulate函數(shù)：將輸入圖像累加到累加圖像中，適用于累積多幀圖像。
• accumulateWeighted函數(shù)：將輸入圖像加權(quán)累加到累加圖像中，可以用于背景建模和圖像融合，參數(shù)alpha用于控制權(quán)重。
• accumulateSquare函數(shù)：將輸入圖像的平方累加到累加圖像中，適用于平方累加操作。
• accumulateProduct函數(shù)：將兩個(gè)輸入圖像的乘積累加到累加圖像中，適用于乘積累加操作。

????????這些示例展示了如何使用OpenCV中的各種累加函數(shù)來(lái)處理圖像。根據(jù)具體的應(yīng)用需求，可以靈活運(yùn)用這些函數(shù)來(lái)實(shí)現(xiàn)復(fù)雜的圖像處理任務(wù)。

三十、隨機(jī)數(shù)與添加噪聲

????????在OpenCV中，randu 和 randn 是兩個(gè)用于生成隨機(jī)數(shù)的函數(shù)，常用于圖像處理中的噪聲添加等操作。下面介紹這些函數(shù)及其使用示例。

隨機(jī)數(shù)生成與添加噪聲函數(shù)
randu	randn
生成均勻分布的隨機(jī)數(shù)	生成正態(tài)（高斯）分布的隨機(jī)數(shù)

使用 randu 生成均勻分布的隨機(jī)數(shù)并添加噪聲

import cv2
import numpy as np# 讀取圖像
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)# 生成與圖像大小相同的均勻分布噪聲
noise = np.zeros_like(image, dtype=np.float32)
cv2.randu(noise, 0, 255)# 將噪聲添加到圖像中
noisy_image = cv2.add(image.astype(np.float32), noise)# 顯示原圖像和添加噪聲后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Uniform Noise Image', noisy_image.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

使用 randn 生成正態(tài)分布的隨機(jī)數(shù)并添加噪聲

# 生成與圖像大小相同的正態(tài)分布噪聲
noise = np.zeros_like(image, dtype=np.float32)
cv2.randn(noise, 0, 25)  # 均值為0，標(biāo)準(zhǔn)差為25# 將噪聲添加到圖像中
noisy_image = cv2.add(image.astype(np.float32), noise)# 顯示原圖像和添加噪聲后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Gaussian Noise Image', noisy_image.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋

• randu函數(shù)：生成均勻分布的隨機(jī)數(shù)?？梢灾付S機(jī)數(shù)的上下限。例如，在上述代碼中，噪聲值在0到255之間均勻分布。
• randn函數(shù)：生成正態(tài)（高斯）分布的隨機(jī)數(shù)?？梢灾付S機(jī)數(shù)的均值和標(biāo)準(zhǔn)差。例如，在上述代碼中，噪聲值服從均值為0，標(biāo)準(zhǔn)差為25的正態(tài)分布。

實(shí)際應(yīng)用

????????在圖像處理中，添加噪聲常用于以下場(chǎng)景：

1. 算法測(cè)試：在處理算法中測(cè)試其抗噪能力。
2. 數(shù)據(jù)增強(qiáng)：在訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，使用帶噪聲的數(shù)據(jù)增強(qiáng)模型的魯棒性。
3. 模擬真實(shí)情況：在某些情況下，需要模擬現(xiàn)實(shí)中的噪聲以測(cè)試圖像處理算法的性能。

????????通過(guò)這些示例，可以看到如何使用OpenCV中的randu和randn函數(shù)來(lái)生成隨機(jī)數(shù)并將其添加到圖像中作為噪聲。根據(jù)具體的應(yīng)用需求，可以靈活運(yùn)用這些函數(shù)來(lái)實(shí)現(xiàn)圖像處理任務(wù)。

三一、PCA

????????在OpenCV中，主成分分析（PCA）是一種常用的降維技術(shù)，廣泛應(yīng)用于圖像處理和機(jī)器學(xué)習(xí)領(lǐng)域。OpenCV提供了幾個(gè)用于PCA操作的函數(shù)：PCACompute、project 和 backProject。下面介紹這些函數(shù)及其使用示例。

PCA函數(shù)
PCACompute	project	backProject
計(jì)算主成分	將數(shù)據(jù)投影到主成分空間	將數(shù)據(jù)從主成分空間反投影回原空間

計(jì)算主成分 (PCACompute)

import cv2
import numpy as np# 創(chuàng)建示例數(shù)據(jù)
data = np.array([[2.5, 2.4],[0.5, 0.7],[2.2, 2.9],[1.9, 2.2],[3.1, 3.0],[2.3, 2.7],[2, 1.6],[1, 1.1],[1.5, 1.6],[1.1, 0.9]], dtype=np.float32)# 計(jì)算PCA
mean, eigenvectors = cv2.PCACompute(data, mean=None)print("Mean:\n", mean)
print("Eigenvectors:\n", eigenvectors)

將數(shù)據(jù)投影到主成分空間 (project)

# 將數(shù)據(jù)投影到主成分空間
projected_data = cv2.PCAProject(data, mean, eigenvectors)print("Projected Data:\n", projected_data)

將數(shù)據(jù)從主成分空間反投影回原空間 (backProject)

# 將數(shù)據(jù)從主成分空間反投影回原空間
back_projected_data = cv2.PCABackProject(projected_data, mean, eigenvectors)print("Back Projected Data:\n", back_projected_data)

解釋

• PCACompute函數(shù)：計(jì)算數(shù)據(jù)的主成分。返回均值和特征向量（主成分）。
• project函數(shù)：將數(shù)據(jù)投影到主成分空間。使用計(jì)算得到的均值和特征向量，將原數(shù)據(jù)轉(zhuǎn)換到主成分空間。
• backProject函數(shù)：將數(shù)據(jù)從主成分空間反投影回原空間。使用計(jì)算得到的均值和特征向量，將主成分空間的數(shù)據(jù)轉(zhuǎn)換回原始數(shù)據(jù)空間。

實(shí)際應(yīng)用

PCA在圖像處理中有許多應(yīng)用，例如：

1. 圖像壓縮：通過(guò)保留主要成分，減少圖像的維度，從而實(shí)現(xiàn)壓縮。
2. 特征提取：在圖像分類(lèi)和識(shí)別任務(wù)中，使用PCA提取主要特征，減少計(jì)算復(fù)雜度。
3. 數(shù)據(jù)可視化：將高維數(shù)據(jù)降維到2D或3D空間，方便可視化。

圖像壓縮示例

# 讀取圖像并轉(zhuǎn)換為灰度圖
image = cv2.imread('path_to_image.jpg', cv2.IMREAD_GRAYSCALE)
image = np.float32(image) / 255.0
h, w = image.shape# 將圖像展開(kāi)為2D數(shù)據(jù)
data = image.reshape((-1, w))# 計(jì)算PCA，保留主要成分
mean, eigenvectors = cv2.PCACompute(data, mean=None, maxComponents=10)# 投影到主成分空間
projected_data = cv2.PCAProject(data, mean, eigenvectors)# 反投影回原空間
back_projected_data = cv2.PCABackProject(projected_data, mean, eigenvectors)# 將數(shù)據(jù)重塑為圖像
compressed_image = back_projected_data.reshape((h, w))# 顯示原圖像和壓縮后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Compressed Image', compressed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

????????通過(guò)這些示例，可以看到如何使用OpenCV中的PCA函數(shù)來(lái)處理數(shù)據(jù)和圖像。根據(jù)具體的應(yīng)用需求，可以靈活運(yùn)用這些函數(shù)來(lái)實(shí)現(xiàn)數(shù)據(jù)降維和特征提取等任務(wù)。