"""图像预处理""" img = cv2.equalizeHist(img) img = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)

这段代码是进行图像预处理的操作，主要包括两个步骤：

1. 直方图均衡化（equalizeHist）：将图像的灰度值进行均衡化，使得图像的亮度分布更加均匀，增强图像对比度，便于后续的处理和分析。

2. 高斯模糊（GaussianBlur）：通过对图像进行高斯平滑处理，可以去除噪声和细节信息，使得图像更加平滑，便于后续的边缘检测、特征提取等操作。其中，(3, 3)表示高斯核的大小，0表示标准差，cv2.BORDER_DEFAULT表示边界填充方式为默认模式。

相关问题

使用 Python 实现对一个灰度图 像数组的处理，包括： 1．显示灰度图像 2．进行图像预处理 3．进行图像二值化 4．计算中线以及偏差，左右边线

在Python中，我们可以使用OpenCV库来处理灰度图像。以下是每个步骤的简单示例：

1. **显示灰度图像**:

import cv2
import numpy as np

# 加载图像，转换为灰度
img = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('Gray Image', img)
cv2.waitKey(0) # 等待用户按键，0表示立即关闭

2. **图像预处理**:
- **平滑滤波（如高斯滤波）**:

     blur_img = cv2.GaussianBlur(img, (5, 5), 0)

- **边缘检测（如Canny）**:

     edges = cv2.Canny(blur_img, 50, 150)

3. **图像二值化**:

_, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)  # 单通道阈值法

或者使用Otsu's thresholding:

binary_img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

4. **计算中线以及偏差**:
对于水平线的检测，可以先找边缘像素，然后遍历找出连续的垂直方向像素序列，确定疑似中线的位置。偏差则可以通过比较两旁像素数目的差异来估算。

def find_lines(binary_img):
    lines = cv2.HoughLinesP(binary_img, rho=1, theta=np.pi/180, threshold=50, minLineLength=100, maxLineGap=5)
    if lines is not None:
        mid_line = None
        for line in lines:
            x1, y1, x2, y2 = line[0]
            if abs(y1-y2) < 10:  # 排除近似垂直的直线，可能是噪声
                mid_line = (x1+x2)//2, (y1+y2)//2
        return mid_line, calculate_deviation(binary_img, mid_line)
    else:
        return None, 0

# 边距偏差计算函数
def calculate_deviation(binary_img, line):
    left_sum, right_sum = 0, 0
    for i in range(binary_img.shape[0]):
        if i > line[1] and i < binary_img.shape[0]:
            if binary_img[i][int(line[0])] == 0:
                left_sum += 1
            elif binary_img[i][int(line[0]+1)] == 0:
                right_sum += 1
    return (right_sum - left_sum) / len(line[0])

# 示例调用
mid_line, deviation = find_lines(binary_img)
print(f"Mid-line: {mid_line}, Deviation: {deviation}")

opencv 图像预处理

以下是一些常见的图像预处理技术和如何使用OpenCV实现它们的示例：

1. 读取图像

import cv2

# 读取图像
img = cv2.imread('image.jpg')

2. 调整图像大小

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 调整图像大小
resized_img = cv2.resize(img, (new_width, new_height))

3. 灰度化

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 灰度化
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

4. 图像平滑

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 图像平滑
blurred_img = cv2.GaussianBlur(img, (kernel_size, kernel_size), 0)

5. 边缘检测

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 灰度化
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 边缘检测
edges = cv2.Canny(gray_img, threshold1, threshold2)

6. 直方图均衡化

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 灰度化
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 直方图均衡化
equalized_img = cv2.equalizeHist(gray_img)