本项目旨在帮助您深入了解图像处理的各种算法，并使用 Python OpenCV 库实现这些算法。您可以在 main.py 文件中找到 60 多种图像处理算法的详细说明，并且各个函数功能高度解耦，可以单独运行。
图像处理是计算机视觉和图像识别领域中非常重要的研究方向。随着深度学习算法的发展，图像处理技术在很多领域得到了广泛的应用，Python OpenCV 是一个开源的图像处理库，提供了大量的图像处理算法，是图像处理领域中的重要工具。
本项目旨在利用 Python OpenCV 库，研究多种图像处理算法的原理和实现方法，并实现了一个图像处理工具集。通过对图像处理算法的研究，不仅提高了我们的技术水平，也为以后的图像处理项目提供了重要的基础。
- Python 3.7
- OpenCV 4.4.0
- Numpy
⚡运行本项目代码前请执行以下命令安装所依赖的库
pip install opencv-python
pip install numpy
pip install PillowPython 代码如下（直接运行）：
import tkinter as tk
from tkinter import filedialog
import cv2
import numpy as np
import os
from PIL import Image, ImageTk
import os
# 检查文件夹是否存在，如果不存在则创建一个文件夹
if not os.path.exists('result'):
os.makedirs('result')
def select_image():
"""
点击选择图片按钮时调用的函数，用于选择图像并显示在窗口中
"""
global image_path
# 使用filedialog模块弹出选择文件对话框，获取选择的图像路径
image_path = filedialog.askopenfilename()
# 使用OpenCV读取图像
img = cv2.imread(image_path)
# 将OpenCV读取的BGR图像转换为RGB图像
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 将图像转换为PIL图像
img = Image.fromarray(img)
# 将PIL图像转换为可以在Tkinter窗口中显示的图像
img = ImageTk.PhotoImage(img)
# 使用config()函数更新显示图像的标签的图像
input_label.config(image=img)
# 将图像存储在input_label变量中，以防图像被GC回收
input_label.image = img
def process_image():
# 声明全局变量 output_img
global output_img
# 使用 cv2.imread 读取图片
img = cv2.imread(image_path)
# 调用 translate_image 函数进行平移变换
output_img = translate_image(img)
# 将 BGR 格式图片转换为 RGB 格式
output_img = cv2.cvtColor(output_img, cv2.COLOR_BGR2RGB)
# 将 numpy 数组格式图片转换为 Image 对象
output_img = Image.fromarray(output_img)
# 将 Image 对象转换为 Tkinter 可用的 PhotoImage 对象
output_img = ImageTk.PhotoImage(output_img)
# 配置输出图片的 Label 组件，将处理后的图片显示在该组件上
output_label.config(image=output_img)
# 更新 output_label.image 属性的值
output_label.image = output_img
# 使用 cv2.imwrite 函数将处理后的图片保存到 result 文件夹中
cv2.imwrite("result/result.jpg", output_img)
def translate_image(img):
# 获取图像的行数和列数
rows, cols = img.shape[:2]
# 创建一个移动矩阵
M = np.float32([[1,0,100],[0,1,50]])
# 应用仿射变换到图像上
output_img = cv2.warpAffine(img, M, (cols, rows))
# 返回处理后的图像
return output_img
# 创建窗口
root = tk.Tk()
# 设置窗口标题
root.title("图像处理器")
# 创建输入图像标签
input_label = tk.Label(root)
# 将标签放置在左侧
input_label.pack(side="left")
# 创建输出图像标签
output_label = tk.Label(root)
# 将标签放置在右侧
output_label.pack(side="right")
# 创建选择图像按钮
select_button = tk.Button(root, text="选择图像", command=select_image)
# 将按钮放置在窗口中
select_button.pack()
# 创建处理图像按钮
process_button = tk.Button(root, text="开始处理", command=process_image)
# 将按钮放置在窗口中
process_button.pack()
# 运行主循环
root.mainloop()⚡ 获取完整版查看所有60+种图像处理算法，包括但不限于：
- 图像的坐标变换
- 平移变换
- 尺度变换
- 旋转变换
- 仿射变换
- 灰度映射
- 求反
- 动态范围压缩
- 阶梯量化
- 阈值分割
- 图像的算术运算
- 加法
- 平均法消除噪声
- 减法
- 直方图修正：
- 直方图均衡化
- 直方图规定化
- 空域滤波
- 线性平滑滤波器
- 线性锐化滤波器
- 非线性平滑滤波器
- 非线性锐化滤波器
- 傅里叶变换和反变换
- 傅里叶变换
- 反傅里叶变换
- 高通和低通滤波器
- 理想滤波器
- 巴特沃斯滤波器
- 指数滤波器
- 特殊高通滤波器
- 高频增强滤波器
- 高频提升滤波器
- 带通带阻滤波器
- 同态滤波器
- 空域噪声滤波器
- 组合滤波器
- 无约束滤波器
- 变长编码
- 哈夫曼编码
- 哥伦布编码
- 香农-法诺编码
- 算数编码
- 位平面编码
- 预测编码
- DPCM编码
- 余弦变换编码
- 小波变换编码
- 图像分割
- 动态规划
- 单阈值分割
- 典型分割
- SUSAN边缘检测
- 主动轮廓
- 分水岭分割
- 二值形态学
- 腐蚀
- 膨胀
- 开操作
- 闭操作
- 二值形态学的应用
- 噪声去燥
- 目标检测
- 区域填充
- 灰度形态学的应用
- 形态梯度
- 形态平滑
- 高帽
- 黑帽
- 算子
- Sobel算子
- Roberts算子
- Laplace算子
- Canny算子
- Prewitt算子
- 高斯拉普拉斯算子
- 每次支持处理一个图像
- 支持的4种算法包括：平移变换、尺度变换、旋转变换、仿射变换
获取完整版后可获得如下服务：
- 完整版包含「60+图像处理算法的原理和可独立运行的代码示例」文件
- 「图像处理工具集 - 完整版.exe」 程序
- 完整版支持批处理，一次处理多张图像
- 完整版支持所有60+种图像处理算法
- 一键完成60+种不同的处理算法图像处理
- 程序的所有源码
实验结果将会存放在该项目的result文件夹下，包括处理后图像的展示等。
在本项目中，我们使用Python OpenCV库，研究了多种图像处理算法，并实现了这些算法，得到了实验结果。本项目的实验结果可以作为未来研究的参考，并且可以用于更多的图像处理相关的研究
- 图像的坐标变换：平移变换、尺度变换、旋转变换、仿射变换
- 灰度映射：求反、动态范围压缩、阶梯量化、阈值分割
- 图像的算术运算：加法、平均法消除噪声、减法
- 直方图修正：直方图均衡化、直方图规定化
- 空域滤波：线性平滑滤波器、线性锐化滤波器、非线性平滑滤波器、非线性锐化滤波器
- 频域图像增强：傅里叶变换和反变换
- 高通和低通滤波器：理想滤波器、巴特沃斯滤波器，指数滤波器
- 特殊高通滤波器：高频增强滤波器、高频提升滤波器
- 带通带阻滤波器、同态滤波器
- 空域噪声滤波器：均值滤波器、排序统计滤波器
- 组合滤波器：混合滤波器、选择性滤波器
- 无约束滤波器、有约束滤波器
- 变长编码：哈夫曼编码、哥伦布编码、香农-法诺编码、算数编码、位平面编码
- 预测编码：DPCM编码、余弦变换编码、小波变换编码
- 图像分割：动态规划、单阈值分割
- 典型分割：SUSAN边缘检测、主动轮廓、分水岭分割
- 二值形态学：腐蚀、膨胀、开启、闭合
- 基于二值形态学应用：噪声消除、目标检测、区域填充
- 灰度形态学：腐蚀、膨胀、开启、闭合
- 基于灰度形态学的应用：形态梯度、形态平滑、高帽变换、低帽变换
- 算子：Sobel算子、Roberts算子、拉普拉斯算子、Canny算子、Prewitt算子、高斯拉普拉斯算子