该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各类算法，包括图像锐化算子、图像加强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。但愿文章对您有所帮助，若是有不足之处，还请海涵~html
前面一篇文章介绍了MoviePy视频编辑库，实现视频的自定义剪切和合并操做；这篇文章将详细讲解图像量化及采样处理，万字长文吐血整理。同时，该部分知识均为秀璋查阅资料撰写整理，而且开设成了收费专栏，为小宝赚点奶粉钱。固然若是您是学生或者经济拮据，能够私聊我给你每篇文章开白名单，或者转发原文给你，更多的是但愿您心甘情愿的打赏及进步。一块儿加油喔~python
该系列在github全部源代码：git
前文参考：
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
[Python图像处理] 二.OpenCV+Numpy库读取与修改像素
[Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
[Python图像处理] 五.图像融合、加法运算及图像类型转换
[Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
[Python图像处理] 七.图像阈值化处理及算法对比
[Python图像处理] 八.图像腐蚀与图像膨胀
[Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
[Python图像处理] 十.形态学之图像顶帽运算和黑帽运算
[Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图
[Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校订
[Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
[Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理
[Python图像处理] 十五.图像的灰度线性变换
[Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换
[Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子
[Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子
[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割
[Python图像处理] 二十.图像量化处理和采样处理及局部马赛克特效
[Python图像处理] 二十一.图像金字塔之图像向下取样和向上取样
[Python图像处理] 二十二.Python图像傅里叶变换原理及实现
[Python图像处理] 二十三.傅里叶变换之高通滤波和低通滤波
[Python图像处理] 二十四.图像特效处理之毛玻璃、浮雕和油漆特效
[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效
[Python图像处理] 二十六.图像分类原理及基于KNN、朴素贝叶斯算法的图像分类案例
[Python图像处理] 二十七.OpenGL入门及绘制基本图形（一）
[Python图像处理] 二十八.OpenCV快速实现人脸检测及视频中的人脸
[Python图像处理] 二十九.MoviePy视频编辑库实现抖音短视频剪切合并操做
github
文章目录
图像一般是天然界景物的客观反映，并以照片形式或视频记录的介质连续保存，获取图像的目标是从感知的数据中产生数字图像，所以须要把连续的图像数据离散化，转换为数字化图像，其工做主要包括两方面——量化和采样。数字化幅度值称为量化，数字化坐标值称为采样。本文主要讲解图像量化和采样处理的概念，并经过Python和OpenCV实现这些功能。算法
一.图像量化处理
1.概述
所谓量化（Quantization），就是将图像像素点对应亮度的连续变化区间转换为单个特定值的过程，即将原始灰度图像的空间坐标幅度值离散化。量化等级越多，图像层次越丰富，灰度分辨率越高，图像的质量也越好；量化等级越少，图像层次欠丰富，灰度分辨率越低，会出现图像轮廓分层的现象，下降了图像的质量。图1是将图像的连续灰度值转换为0至255的灰度级的过程。编程
若是量化等级为2，则将使用两种灰度级表示原始图片的像素（0-255），灰度值小于128的取0，大于等于128的取128；若是量化等级为4，则将使用四种灰度级表示原始图片的像素，新图像将分层为四种颜色，0-64区间取0，64-128区间取64，128-192区间取128，192-255区间取192，依次类推。安全
图2是对比不一样量化等级的“Lena”图。其中（a）的量化等级为256，（b）的量化等级为64，（c）的量化等级为16，（d）的量化等级为8，（e）的量化等级为4，（f）的量化等级为2。网络
2.操做
下面讲述Python图像量化处理相关代码操做。其核心流程是创建一张临时图片，接着循环遍历原始图像中全部像素点，判断每一个像素点应该属于的量化等级，最后将临时图像显示。下列代码将灰度图像转换为两种量化等级。函数
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('lena.png') #获取图像高度和宽度 height = img.shape[0] width = img.shape[1] #建立一幅图像 new_img = np.zeros((height, width, 3), np.uint8) #图像量化操做 量化等级为2 for i in range(height): for j in range(width): for k in range(3): #对应BGR三份量 if img[i, j][k] < 128: gray = 0 else: gray = 128 new_img[i, j][k] = np.uint8(gray) #显示图像 cv2.imshow("src", img) cv2.imshow("Quantization", new_img) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
其输出结果如图3所示，它将灰度图像划分为两种量化等级。学习
下面的代码分别比较了量化等级为二、四、8的量化处理效果。
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('lena.png') #获取图像高度和宽度 height = img.shape[0] width = img.shape[1] #建立一幅图像 new_img1 = np.zeros((height, width, 3), np.uint8) new_img2 = np.zeros((height, width, 3), np.uint8) new_img3 = np.zeros((height, width, 3), np.uint8) #图像量化等级为2的量化处理 for i in range(height): for j in range(width): for k in range(3): #对应BGR三份量 if img[i, j][k] < 128: gray = 0 else: gray = 128 new_img1[i, j][k] = np.uint8(gray) #图像量化等级为4的量化处理 for i in range(height): for j in range(width): for k in range(3): #对应BGR三份量 if img[i, j][k] < 64: gray = 0 elif img[i, j][k] < 128: gray = 64 elif img[i, j][k] < 192: gray = 128 else: gray = 192 new_img2[i, j][k] = np.uint8(gray) #图像量化等级为8的量化处理 for i in range(height): for j in range(width): for k in range(3): #对应BGR三份量 if img[i, j][k] < 32: gray = 0 elif img[i, j][k] < 64: gray = 32 elif img[i, j][k] < 96: gray = 64 elif img[i, j][k] < 128: gray = 96 elif img[i, j][k] < 160: gray = 128 elif img[i, j][k] < 192: gray = 160 elif img[i, j][k] < 224: gray = 192 else: gray = 224 new_img3[i, j][k] = np.uint8(gray) #用来正常显示中文标签 plt.rcParams['font.sans-serif']=['SimHei'] #显示图像 titles = ['(a) 原始图像', '(b) 量化-L2', '(c) 量化-L4', '(d) 量化-L8'] images = [img, new_img1, new_img2, new_img3] for i in range(4): plt.subplot(2,2,i+1), plt.imshow(images[i], 'gray'), plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
输出结果如图4所示，该代码调用matplotlib.pyplot库绘制了四幅图像，其中（a）表示原始图像，（b）表示等级为2的量化处理，（c）表示等级为4的量化处理，（d）表示等级为8的量化处理。
3.K-Means聚类量化处理
上一小节的量化处理是经过遍历图像中的全部像素点，进行灰度图像的幅度值离散化处理。本小节补充一个基于K-Means聚类算法的量化处理过程，它可以将彩色图像RGB像素点进行颜色分割和颜色量化。注意，在第十九篇文章时详细介绍了K-Means聚类知识，本小节只是带领读者从新回顾下该方法。
# coding: utf-8 # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('nv.png') #图像二维像素转换为一维 data = img.reshape((-1,3)) data = np.float32(data) #定义中心 (type,max_iter,epsilon) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) #设置标签 flags = cv2.KMEANS_RANDOM_CENTERS #K-Means聚类 汇集成4类 compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags) #图像转换回uint8二维类型 centers = np.uint8(centers) res = centers[labels.flatten()] dst = res.reshape((img.shape)) #图像转换为RGB显示 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) dst = cv2.cvtColor(dst, cv2.COLOR_BGR2RGB) #用来正常显示中文标签 plt.rcParams['font.sans-serif']=['SimHei'] #显示图像 titles = ['原始图像', '聚类量化 K=4'] images = [img, dst] for i in range(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray'), plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
输出结果如图5所示，它经过K-Means聚类算法将彩色人物图像的灰度汇集成四种颜色。
二.图像采样处理
1.概述
图像采样（Image Sampling）处理是将一幅连续图像在空间上分割成M×N个网格，每一个网格用一个亮度值或灰度值来表示，其示意图如图6所示。
图像采样的间隔越大，所得图像像素数越少，空间分辨率越低，图像质量越差，甚至出现马赛克效应；相反，图像采样的间隔越小，所得图像像素数越多，空间分辨率越高，图像质量越好，但数据量会相应的增大。图7展现了不一样采样间隔的“Lena”图，其中图(a)为原始图像，图(b)为128×128的图像采样效果，图©为64×64的图像采样效果，图(d)为32×32的图像采样效果，图(e)为16×16的图像采样效果，图(f)为8×8的图像采样效果。
数字图像的质量很大程度上取决于量化和采样中所采用的样本数和灰度级。现实生活中的图像，都须要通过离散化处理转换成数字图像，从而进行后续的计算机处理和图像识别等操做。图8展现了生活图像转换为数字图像的过程。
2.操做
下面讲述Python图像采样处理相关代码操做。其核心流程是创建一张临时图片，设置须要采样的区域大小（如16×16），接着循环遍历原始图像中全部像素点，采样区域内的像素点赋值相同（如左上角像素点的灰度值），最终实现图像采样处理。下列代码是进行16×16采样的过程。
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('lena.png') #获取图像高度和宽度 height = img.shape[0] width = img.shape[1] #采样转换成16*16区域 numHeight = int(height/16) numWidth = int(width/16) #建立一幅图像 new_img = np.zeros((height, width, 3), np.uint8) #图像循环采样16*16区域 for i in range(16): #获取Y坐标 y = i*numHeight for j in range(16): #获取X坐标 x = j*numWidth #获取填充颜色 左上角像素点 b = img[y, x][0] g = img[y, x][1] r = img[y, x][2] #循环设置小区域采样 for n in range(numHeight): for m in range(numWidth): new_img[y+n, x+m][0] = np.uint8(b) new_img[y+n, x+m][1] = np.uint8(g) new_img[y+n, x+m][2] = np.uint8(r) #显示图像 cv2.imshow("src", img) cv2.imshow("Sampling", new_img) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
其输出结果如图8所示，它将灰度图像采样成16×16的区域。
一样，能够对彩色图像进行采样处理，下面的代码将彩色风景图像采样处理成8×8的马赛克区域。
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('scenery.png') #获取图像高度和宽度 height = img.shape[0] width = img.shape[1] #采样转换成8*8区域 numHeight = int(height/8) numwidth = int(width/8) #建立一幅图像 new_img = np.zeros((height, width, 3), np.uint8) #图像循环采样8*8区域 for i in range(8): #获取Y坐标 y = i*numHeight for j in range(8): #获取X坐标 x = j*numwidth #获取填充颜色 左上角像素点 b = img[y, x][0] g = img[y, x][1] r = img[y, x][2] #循环设置小区域采样 for n in range(numHeight): for m in range(numwidth): new_img[y+n, x+m][0] = np.uint8(b) new_img[y+n, x+m][1] = np.uint8(g) new_img[y+n, x+m][2] = np.uint8(r) #显示图像 cv2.imshow("src", img) cv2.imshow("Sampling", new_img) #等待显示 cv2.waitKey(0) cv2.destroyAllWindows()
其输出结果如图9所示，它将彩色风景图像采样成8×8的区域。
但上述代码存在一个问题，当图像的长度和宽度不能被采样区域整除时，输出图像的最右边和最下边的区域没有被采样处理。这里推荐读者作个求余运算，将不能整除部分的区域也进行相应的采样处理。
3.局部马赛克处理
前面讲述的代码是对整幅图像进行采样处理，那么如何对图像的局部区域进行马赛克处理呢？下面的代码就实现了该功能。当鼠标按下时，它可以给鼠标拖动的区域打上马赛克，并按下“s”键保存图像至本地。
# -- coding:utf-8 -- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 im = cv2.imread('people.png', 1) #设置鼠标左键开启 en = False #鼠标事件 def draw(event, x, y, flags, param): global en #鼠标左键按下开启en值 if event==cv2.EVENT_LBUTTONDOWN: en = True #鼠标左键按下而且移动 elif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_LBUTTONDOWN: #调用函数打马赛克 if en: drawMask(y,x) #鼠标左键弹起结束操做 elif event==cv2.EVENT_LBUTTONUP: en = False #图像局部采样操做 def drawMask(x, y, size=10): #size*size采样处理 m = int(x / size * size) n = int(y / size * size) print(m, n) #10*10区域设置为同一像素值 for i in range(size): for j in range(size): im[m+i][n+j] = im[m][n] #打开对话框 cv2.namedWindow('image') #调用draw函数设置鼠标操做 cv2.setMouseCallback('image', draw) #循环处理 while(1): cv2.imshow('image', im) #按ESC键退出 if cv2.waitKey(10)&0xFF==27: break #按s键保存图片 elif cv2.waitKey(10)&0xFF==115: cv2.imwrite('sava.png', im) #退出窗口 cv2.destroyAllWindows()
其输出结果如图10所示，它将人物的脸部进行马赛克处理，按下S键保存图片，按下ESC键退出。
三.图像金字塔
前面讲解的图像采样处理能够下降图像的大小，本小节将补充图像金字塔知识，了解专门用于图像向上采样和向下采样的pyrUp()和pyrDown()函数。
图像金字塔是指由一组图像且不一样分别率的子图集合，它是图像多尺度表达的一种，以多分辨率来解释图像的结构，主要用于图像的分割或压缩。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步下降，且来源于同一张原始图的图像集合。如图11所示，它包括了四层图像，将这一层一层的图像比喻成金字塔。图像金字塔能够经过梯次向下采样得到，直到达到某个终止条件才中止采样，在向下采样中，层级越高，则图像越小，分辨率越低。
生成图像金字塔主要包括两种方式——向下取样、向上取样。在图11中，将图像G0转换为G一、G二、G3，图像分辨率不断下降的过程称为向下取样；将G3转换为G二、G一、G0，图像分辨率不断增大的过程称为向上取样。
1.图像向下取样
在图像向下取样中，使用最多的是高斯金字塔。它将对图像Gi进行高斯核卷积，并删除原图中全部的偶数行和列，最终缩小图像。其中，高斯核卷积运算就是对整幅图像进行加权平均的过程，每个像素点的值，都由其自己和邻域内的其余像素值（权重不一样）通过加权平均后获得。常见的3×3和5×5高斯核以下：
高斯核卷积让临近中心的像素点具备更高的重要度，对周围像素计算加权平均值，如图12所示，其中心位置权重最高为0.4。
显而易见，原始图像Gi具备M×N个像素，进行向下取样以后，所获得的图像Gi+1具备M/2×N/2个像素，只有原图的四分之一。经过对输入的原始图像不停迭代以上步骤就会获得整个金字塔。注意，因为每次向下取样会删除偶数行和列，因此它会不停地丢失图像的信息。
在OpenCV中，向下取样使用的函数为pyrDown()，其原型以下所示：
- dst = pyrDown(src[, dst[, dstsize[, borderType]]])
– src表示输入图像，
– dst表示输出图像，和输入图像具备同样的尺寸和类型
– dstsize表示输出图像的大小，默认值为Size()
– borderType表示像素外推方法，详见cv::bordertypes
向下取样的代码以下所示：
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('nv.png') #图像向下取样 r = cv2.pyrDown(img) #显示图像 cv2.imshow('original', img) cv2.imshow('PyrDown', r) cv2.waitKey() cv2.destroyAllWindows()
输出结果如图13所示，它将原始图像压缩成原图的四分之一。
屡次向下取样的代码参考下列文件。
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('nv.png') #图像向下取样 r1 = cv2.pyrDown(img) r2 = cv2.pyrDown(r1) r3 = cv2.pyrDown(r2) #显示图像 cv2.imshow('original', img) cv2.imshow('PyrDown1', r1) cv2.imshow('PyrDown2', r2) cv2.imshow('PyrDown3', r3) cv2.waitKey() cv2.destroyAllWindows()
输出结果如图14所示，每次向下取样均为上次的四分之一，而且图像的清晰度会下降。
2.图像向上取样
在图像向上取样是由小图像不断放图像的过程。它将图像在每一个方向上扩大为原图像的2倍，新增的行和列均用0来填充，并使用与“向下取样”相同的卷积核乘以4，再与放大后的图像进行卷积运算，以得到“新增像素”的新值。如图15所示，它在原始像素4五、12三、8九、149之间各新增了一行和一列值为0的像素。
注意，向上取样放大后的图像比原始图像要模糊。同时，向上采样和向下采样不是互逆的操做，通过两种操做后，是没法恢复原始图像的。
在OpenCV中，向上取样使用的函数为pyrUp()，其原型以下所示：
- dst = pyrUp(src[, dst[, dstsize[, borderType]]])
– src表示输入图像，
– dst表示输出图像，和输入图像具备同样的尺寸和类型
– dstsize表示输出图像的大小，默认值为Size()
– borderType表示像素外推方法，详见cv::bordertypes
向上取样的代码以下所示：
# -*- coding: utf-8 -*- # BY:Eastmount CSDN 2020-11-10 import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('lena.png') #图像向上取样 r = cv2.pyrUp(img) #显示图像 cv2.imshow('original', img) cv2.imshow('PyrUp', r) cv2.waitKey() cv2.destroyAllWindows()
输出结果如图16所示，它将原始图像扩大为原图像的四倍，即向上一次取样。
屡次向上取样的代码参考下列文件。
# -*- coding: utf-8 -*- import cv2 import numpy as np import matplotlib.pyplot as plt #读取原始图像 img = cv2.imread('lena2.png') #图像向上取样 r1 = cv2.pyrUp(img) r2 = cv2.pyrUp(r1) r3 = cv2.pyrUp(r2) #显示图像 cv2.imshow('original', img) cv2.imshow('PyrUp1', r1) cv2.imshow('PyrUp2', r2) cv2.imshow('PyrUp3', r3) cv2.waitKey() cv2.destroyAllWindows()
输出结果如图17所示，每次向上取样均为上次图像的四倍，但图像的清晰度会下降。
四.本章小结
本文主要讲解了图像的量化处理和采样处理，从基本几率到操做，再到扩展进行全方位讲解，而且补充了基于K-Means聚类算法的量化处理和局部马赛克特效处理，最后补充了图像金字塔相关知识。该章节知识点可以将生活中的图像转换为数字图像，更好地为后续的图像处理提供帮助。但愿这篇基础性文章对读者有必定帮助，也但愿这些知识点为读者从事Python图像处理相关项目实践或科学研究提供必定基础。
时光嘀嗒嘀嗒的流失，这是我在CSDN写下的第八篇年终总结，比以往时候来的更早一些。《敏而多思，宁静致远》，仅以此篇记念这风雨兼程的一年，这感恩的一年。列车上只写了一半，这两天完成，思远，思君O(∩_∩)O
2020年8月18新开的“娜璋AI安全之家”，主要围绕Python大数据分析、网络空间安全、人工智能、Web渗透及攻防技术进行讲解，同时分享CCF、SCI、南核北核论文的算法实现。娜璋之家会更加系统，并重构做者的全部文章，从零讲解Python和安全，写了近十年文章，真心想把本身所学所感所作分享出来，还请各位多多指教，真诚邀请您的关注！谢谢。
(By:Eastmount 2020-11-10 深夜10点夜于武汉 http://blog.csdn.net/eastmount/ )
参考文献： [1] 冈萨雷斯著. 数字图像处理（第3版）[M]. 北京：电子工业出版社，2013. [2] yunfung. 数字图像基础之图像取样和量化（Image Sampling and Quantization）[EB/OL]. (2017-04-23). https://www.cnblogs.com/yunfung/p/6753337.html. [3] 阮秋琦. 数字图像处理学（第3版）[M]. 北京：电子工业出版社，2008. [4] zqhwando. 图像处理中的采样与量化[EB/OL]. (2017-12-22). https://blog.csdn.net/zqhwando/article/details/78871140. [5] eastmount. [数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解[EB/OL]. (2015-05-28). https://blog.csdn.net/eastmount/article/details/46010637. [6] 师寇. Python + opencv 实现图片马赛克[EB/OL]. (2017-11-08). https://blog.csdn.net/weixin_38283159/article/details/78479791. [7] 毛星云，冷雪飞. OpenCV3编程入门[M]. 北京：电子工业出版社，2015.