s1081535 作業7

      

一、 作業說明 

• 利用數學型態學影像處理運算(erode(), dilate()等函式)，計算出所附圖像(共三張)每張圖像中圍棋個數

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

• imread()以灰階形式讀取圖片，並使用threshold()函式進行二值化

• getStructuringElement()函式，kernel為妥傭型態並將大小設為(10，10)

• erode()函式對二值化圖片進行侵蝕，迭代次數一輸入圖像做調整

• 再使用dilate()將侵蝕結果依kernel大小(30, 30)膨脹

• findContours()函式對彭照後結果進行運算得出contours，並使用len(contours)得出棋子個數

• drawContours()函式針對原圖畫出被偵測旗子之輪廓

四、 執行結果

實際顆數：24 / 測得顆數：21

實際顆數：31 / 測得顆數：31

實際顆數：31 / 測得顆數：31

1081535 作業6

     

一、 作業說明 

• 基於Run-Length的壓縮，對圖檔作無失真壓縮後儲存成新檔案

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

• Encode

• 基於Run-Length的壓縮，對圖檔作無失真壓縮後儲存成新檔案

• 使用cv2.imread()讀取圖片並利用cv2.split()將圖像分成B, G, R三個二維陣列

• 使用flatten()將二維轉成一維

• 分別進行RLE編碼存入npz檔案中

1. 將原始[0, 0, 0, 255,255,255]編碼成[3, 3]與[0, 255]分別代表連續個數與像素之值
2. 三通道編碼之值append()使用np.savez("image",compress_array)得到壓縮檔

• 利用原始圖檔數據長度與壓縮後編碼長度，計算圖片的壓縮率及平均壓縮率

• Decode

• 使用file.open()和file.read()讀取壓縮檔(.npz)

• 進行RLE解碼，將相對應之值放入一維陣列，得到R, G, B通道解碼

• 分別使用reshape(一維陣列, (w, h))將各通道資料轉成二維

• 使用np.dstack()將B, G, R通道合併，得到無失真壓縮解碼圖(.bmp)

四、 執行結果

img1(原圖VS壓縮並解碼後圖像）

img1(原圖VS壓縮並解碼後圖像）

img3(原圖VS壓縮並解碼後圖像）

平均壓縮率：8.786012692178309%

s1081535 作業5

    

一、 作業說明 

• 擷取指定圖片的黃色花瓣區域

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

1. 將圖片以RGB形式讀取。
2. cv2.cvtColor(img, cv2.COLOR_BGR2HSV)將RGB圖轉換為HSV空間。
3. 使用cv2.inrange()設定色彩的最低值與最高值製作Mask。
4. 使用cv2.bitwise_and()，得出黃色花瓣區域。

四、 執行結果

原圖

HSV

Mask

Result

s1081535 作業4

   

一、 作業說明 

• 計算輸入圖像的傅立葉轉換結果，以灰階256色圖像方式呈現出頻譜大小與相位角角度。
• 利用Gaussian Low-Pass Filter對輸入圖像進行處理，並輸出平滑後圖像。

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

傅立葉轉換

利用 numpy.fft.fftshift (numpy.fft.fft2( input_image ) )計算二維離散傅立葉變換，並將zero-frequency 分量移動到頻譜的中心，得𝐹(𝝁, 𝜈)。

• numpy.fft.fft2( ) 通過快速傅裏葉變換 (FFT) 計算 M-dimensional 數組中任意軸上的 n 維離散傅裏葉變換，默認情況下，變換是在輸入數組的最後兩個軸上計算的，即二維 FFT。
• numpy.fft.fftshift( ) 為列出的所有軸交換half-spaces(默認為全部)。請注意，僅當 len(x) 為偶數時，y[0]才是奈奎斯特分量。

計算頻譜大小

根據頻譜大小計算公式，𝑆𝑝𝑒𝑐𝑡𝑟𝑢𝑚=|𝐹(𝝁, 𝜈)|，利用abs( 𝐹(𝝁, 𝜈) )得出頻譜大小。

• 由於FFT計算完成後之結果高頻數據集中於中心，低頻數據分散於四角，需要透過numpy.log( )運算以顯示結果。

計算相位角角度

根據相位角角度計算公式，

使用numpy.arctan2( 虛部, 實部）再將結果單位弧度轉換為角度，得出最終結果。

高斯平滑處理

根據Frequency Filter步驟利用Gaussian Low-Pass Filter處理圖像。

1. 輸入M*N的圖像
2. 對該圖像做Zero-Padded，將圖像大小擴大成2M*2N (𝑓𝑝(𝝁, 𝜈) )，並將圖像保持在左上角
3. 確保傅立葉轉換時頻譜置中，將𝑓𝑝(𝝁, 𝜈) 奇數點乘以-1
4. 對𝑓𝑝(𝝁, 𝜈) 做離散傅立葉轉換得到𝐹(𝝁, 𝜈)
5. 計算𝐷(𝝁, 𝜈)與𝐻(𝝁, 𝜈)，取得G(𝝁, 𝜈)
• 根據兩公式，
• 
• 
• 設定大小為2M*2N的Gaussian Low-Pass Filter並將中心點定位在M*N，得出𝐻(𝝁, 𝜈)。
• 再根據公式，G(𝝁, 𝜈)=𝐹(𝝁, 𝜈)＊𝐻(𝝁, 𝜈)計算後得出G(𝝁, 𝜈)。
6.  對結果做IDFT所得即為Gaussian Low-Pass Filter在頻域作用後的結果
7. 將大小裁減為原始大小M*N，保留左上角圖像部分

＊自己的方法＊使用fftshift代替步驟2和3，利用Gaussian Low-Pass Filter處理圖像。

四、 執行結果

第一部分

第二部分

s1081535 作業3

  

一、 作業說明 

線條自畫像 (二值化與邊緣偵測) 

以灰階模式讀取一張圖像，利用 Sobel Operators 偵測並輸出邊緣成分圖，並設計一個類似素描線條的自畫像圖案。

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

減少雜訊和平滑圖像

使用GaussianBlur('圖像名稱', Filter_Size, 0)高斯綠波函式將圖片進行濾波操作(平滑、過濾以及去噪)；Filter_Size為3x3。

邊緣偵測

以Sobel Operator索伯算子，分別以水平及垂方向取值，計算出邊緣像素。取值方式為以該Pixel為中心點，九宮格範圍內之其餘八個Pixel值做運算取得其Pixel值。

• 垂直取法是把九宮格內的每個Pixel乘上相對應的九宮格Vertical Sobel Mask後加總成為該Pixel的新值，以算出垂直梯度Gx的邊緣偵測。
• 水平取法是把九宮格內的每個pixel乘上相對應的九宮Horizontal Sobel Mask後加總成為該Pixel的新值，以算出水平梯度Gy的邊緣偵測。

使用cv2.Sobel('圖像名稱', 圖像深度, dx, dy, Filter_Size)，計算出X(垂直）與Y(水平）方向的梯度大小。

合併特徵圖

利用addWeighted()合併Ｘ和Ｙ方向的梯度計算結果圖，得到輸出邊緣成分圖。

顏色反轉

邊緣偵測所得到的點，進行顏色反轉。讀取每個圖元值P，再將255-P寫入新的空白陣列中，得到顏色反轉圖。

影像二值化

設定cv2.threshold('圖片名稱', Thresh_Value, Maxval_Value, 處理方法），讓線條明顯呈現以達成類似素描效果。

Canny邊緣偵測

使用cv2.canny('圖片名稱', minVal, MaxVal)。Canny演算法是一個複合性的邊緣偵測演算法，結合了Gaussian Filter、梯度偵測、非最大值抑制、判斷邊界四個演算法去實踐邊緣偵測。

四、 執行結果

原圖

Sobel_X

Sobel_Y

Sobel_XY（使用addWeight()疊加）

Sobel_XY（使用Sobel()函式）

顏色反轉

影像二值化（使用Binary Type)

影像二值化（使用Tozero Type)

Canny邊緣偵測

Canny邊緣偵測＋顏色反轉

s1081535 作業2

 

一、 作業說明 

圖像旋轉 (Image Rotation)

撰寫一個程式，利用內建函式和自訂函式將一張圖像的整張圖像，以及自訂一函式將圖像中心內切圓區域，根據滑動條(trackbar)指定旋轉角度旋轉特定角度(逆時針旋轉 0 度至 359 度)。 

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

建立Trackbar取得旋轉角度

• 使用cv2.creatTrackbar('滑動條名稱', '顯示視窗名稱', 起始值(0), 最大值(359), 執行function)，建立Trackbar，並設定其被滑動時應執行的函式。
• 對應函式中，利用cv2.getTrackbarPos('滑動條名稱', '顯示視窗名稱'）取得使用者指定之旋轉角度，供旋轉之用。

內建函式旋轉圖像

• 透過cv2.getRotationMatrix2D(旋轉中心點, 旋轉角度, 旋轉後縮放大小)取得旋轉矩陣。
• 根據旋轉矩陣對原始圖像進行仿射變換，達到旋轉效果。

自訂函式旋轉圖像

• 利用雙重for迴圈，將原始位置之像素值複製至旋轉後對應空陣列的位置，達成撰寫自訂函式旋轉圖像之功能。
• 以順時針而言，旋轉後像素位置之值隨"x'=x*cos(θ)+y*sin(θ)"以及"y'=-x*sin(θ)+y*cos(θ)"變動，若須逆時針轉動，將θ之值以0-θ取代之即可。

旋轉圖像內切圓區域

• 延伸使用自訂函式旋轉圖像之功能，設置if判斷句檢視是否為內切圓範圍。是則取得旋轉後之像素值，反之則維持原始之值。
• 使用畢氏定理(a²+b² = c²)為內切圓範圍判定方法，設像素點距圖像中心點之水平距離和垂直距離為a與b，計算後所得若c值小於圖像"短邊/2"之值則為內切圓範圍，亦即須旋轉範圍。

四、 執行結果

利用內建函式旋轉之結果

橫向圖像

直向圖像

利用自訂雙重For迴圈函式旋轉之結果

橫向圖像

直向圖像

將圖像內切圓區域旋轉之結果

橫向圖像

直向圖像

s1081535 作業 1

一、 作業說明 

輸入指定圖片路徑和欲增加數值進行像素值調整。若圖片為灰階則調整整體數值；為彩色則只調整R值，並針對調整後溢位問題進行處理。

二、 作業環境

• ＭacOS Monterey 12.2
• PyCharm 2019.3.3
• Python 3.8
• OpenCV 4.5.5

三、 實作功能與方法

讀取指定名稱之圖片

• 透過input()取得使用者指定之圖片名稱，再使用cv2.imread('檔案名稱/圖檔路徑')，以預設的彩色模式讀取放置在與.py檔之同層位置或指定路徑的圖檔。

判別讀入圖檔為全彩圖或灰階圖

• 取圖檔中其中一個像素，以Ｒ, G, B三項數值是否相等作為判斷依據。若成立則為灰階圖，反之為全彩圖。

灰階圖像素質調整

• 利用cv2.add( 原始圖片, numpy.array(欲增加數值))之方法進行調整，例：將整體像素質提高100可寫作，cv2.add(img, numpy.array(100))。
• 利用numpy.clip(圖片, 0, 255)，處理像素值溢位狀況。其處理方法為將小於0之數值調整為０，將大於255之數值調整為255。

全彩圖像素質調整

• 利用'圖片'.shape取得圖片長與寬之值，以雙重for迴圈的形式針對每一個像素進行Ｒ值的調整。
• 又因像素在調整後若產生溢位情形，則會以加總之值mod(%)256作為表示，例如：160+100=260，會以260%256=4表示。因此，在調整像素值之前須先確認是否會出現溢位的狀況，若有出現直接將小於0之數值設為０，大於255之數值設為255；反之則進行正常加法。

顯示結果圖與寫出圖檔

• 以cv2.imshow('視窗名稱', 圖片）顯示調整後之結果圖。並設定cv2.waitkey(0)直到使用者按下鍵盤數字0則執行cv2.destroyAllWindows()關閉所有顯示視窗。
• 使用cv2.imwrite('圖片名稱／圖片路徑', 圖片)之方法存取圖檔。

四、 架構流程圖

五、 執行結果

程式執行介面

bookGray.jpg(灰階圖) 執行結果

bookGray.jpg 結果比較

lennaRGB.tif (全彩圖) 執行結果

lennaRGB.tif 結果比較

自訂圖片(全彩長方圖) 

自訂圖片結果比較