搭建免费网站,wordpress更改电子邮箱验证功能,给个能看的网站,织梦网站用户名不存在python图像处理 ——图像分块 前言一、分块与合并1.读取原始图像2.网格划分#xff0c;将图像划分为m*n块3.网格合并 二、代码 前言
根据图像尺寸创建一个 ( m 1 ) ( n 1 ) 个均匀的网格顶点坐标#xff0c;对于图像块来说每个图像块的左上角和右下角可以唯一确定一个图像… python图像处理 ——图像分块 前言一、分块与合并1.读取原始图像2.网格划分将图像划分为m*n块3.网格合并 二、代码 前言
根据图像尺寸创建一个 ( m 1 ) × ( n 1 ) 个均匀的网格顶点坐标对于图像块来说每个图像块的左上角和右下角可以唯一确定一个图像块这样就可以利用网格顶点坐标对原始图像进行裁剪。
一、分块与合并
1.读取原始图像 2.网格划分将图像划分为m*n块
def split_image(image, num_blocks):height, width image.shape[:2]block_size int(min(height, width) / num_blocks)block_images []for i in range(num_blocks):for j in range(num_blocks):x1, y1 i * block_size, j * block_sizex2, y2 x1 block_size, y1 block_sizeblock_image image[x1:x2, y1:y2]block_images.append((i*num_blocksj, block_image))return block_images这段代码实现了将一个二维图像切分为多个块的功能。
函数名为 split_image它有两个参数image 为需要切分的图片num_blocks 为需要切分的块数。
1通过 shape 属性获取图片的高度 height 和宽度 width。然后通过 min() 函数计算出一个块的大小 block_size即取高度和宽度中较小值再除以块数。 2通过双重循环遍历所有块的位置每次循环计算块的左上角 (x1, y1) 和右下角 (x2, y2) 的坐标然后用 NumPy 的切片操作 image[x1:x2, y1:y2] 获取一个块的图像数据并将其存入 block_images 列表中。 3最后返回切分好的块列表 block_images以及原图片的高度和宽度。
3.网格合并
def merge_images(block_images, num_blocks):block_size block_images[0].shape[0]image_size block_size * num_blocksmerged_image np.zeros((image_size, image_size, 3), dtypenp.uint8)for i in range(num_blocks):for j in range(num_blocks):x1, y1 i * block_size, j * block_sizex2, y2 x1 block_size, y1 block_sizemerged_image[x1:x2, y1:y2] block_images[i * num_blocks j]return merged_image这段代码定义了一个名为merge_images的函数该函数用于将多个图像块合并成一个完整的图像。
函数的参数block_images是一个包含多个图像块的列表每个图像块都是一个二维数组表示该块在完整图像中的位置和大小。参数num_blocks表示完整图像被分成多少个块。
1函数通过block_images[0].shape[0]获取第一个图像块的高度或宽度作为每个块的大小。然后计算完整图像的大小即 image_size block_size * num_blocks。 2函数创建一个全黑的数组merged_image用于存放合并后的完整图像。该数组的大小为(image_size, image_size, 3)其中3表示颜色通道数dtypenp.uint8表示每个像素点使用8位无符号整数来表示。 3函数使用两个嵌套循环遍历所有的图像块并计算出该块在完整图像中的位置。这里使用了变量i和j来表示当前处理的块的行和列索引使用变量x1、y1、x2和y2来表示当前块在完整图像中的左上角和右下角位置。 4函数将当前块的像素值复制到merged_image数组的相应位置完成了合并操作。最后返回合并后的完整图像数组。
二、代码
import cv2
import numpy as np
from matplotlib import pyplot as plt
def split_image(image, num_blocks):height, width image.shape[:2]block_size int(min(height, width) / num_blocks)block_images []for i in range(num_blocks):for j in range(num_blocks):x1, y1 i * block_size, j * block_sizex2, y2 x1 block_size, y1 block_sizeblock_image image[x1:x2, y1:y2]block_images.append(block_image)return block_images, height, widthdef merge_images(block_images, num_blocks):block_size block_images[0].shape[0]image_size block_size * num_blocksmerged_image np.zeros((image_size, image_size, 3), dtypenp.uint8)for i in range(num_blocks):for j in range(num_blocks):x1, y1 i * block_size, j * block_sizex2, y2 x1 block_size, y1 block_sizemerged_image[x1:x2, y1:y2] block_images[i * num_blocks j]return merged_imageimage cv2.imread(pepper.png)
num_blocks 4
block_images, rows, cols split_image(image, num_blocks)# 遍历所有分块将其显示在subplot中
for i in range(len(block_images)):plt.subplot(num_blocks, num_blocks, i1)plt.imshow(cv2.cvtColor(block_images[i], cv2.COLOR_BGR2RGB))
plt.show()# 合并分块后的图像并显示
merged_image merge_images(block_images, num_blocks)
plt.imshow(cv2.cvtColor(merged_image, cv2.COLOR_BGR2RGB))
plt.show()
