使用OpenCV-Python实现灰度化、二值化等基本处理

#处理一个包含手写图像的文件夹，对每个图像进行灰度化、二值化、膨胀 图像处理操作， # 并使用连通组件分析来识别和标记小于一定面积的区域 import cv2 as cv # 导入OpenCV库，并简称为cv import numpy as np # 导入NumPy库，用于数学运算和数组操作 import os # 导入os库，用于处理文件和目录 # 设置原始图像文件夹路径 orig_path = r"D:\Blog\work2\Picture" img_list = [f for f in os.listdir(orig_path) if f.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp'))] # 列出文件夹中所有图像文件的名称 # 创建一个3x3的单位矩阵作为膨胀操作的核 kernel = np.ones((3, 3), np.uint8) # 遍历文件夹中的每个图像文件 for img_name in img_list: img_path = os.path.join(orig_path, img_name) # 构建图像的完整路径 img = cv.imread(img_path) # 读取图像 if img is None: # 如果图像读取失败（例如文件不是图像或文件损坏） print(f"Warning: Unable to read image {img_name}") # 打印警告信息 continue # 跳过当前循环迭代，继续下一个图像 img_resize = cv.resize(img, (600, 600)) # 将图像大小调整为600x600 img_gray = cv.cvtColor(img_resize, cv.COLOR_RGB2GRAY) # 将图像转换为灰度图 ret, img_bw = cv.threshold(img_gray, 200, 255, cv.THRESH_BINARY) # 使用固定阈值进行二值化处理 img_open = cv.dilate(img_bw, kernel, iterations=3) # 对二值图像进行3次膨胀操作 #cv.imshow("img_open", img_open) #图像膨胀后 # 使用连通组件分析，找出图像中的所有连通区域及其属性 num_labels, labels, stats, centroids = \ cv.connectedComponentsWithStats(img_open, connectivity=8, ltype=None) # 遍历每个连通区域的统计信息 for i, sta in enumerate(stats): if i == 0: # 忽略背景区域（标签为0的区域） continue if sta[4] < 1000: # 如果区域的面积小于1000像素 # 在原二值膨胀图像上标记该区域（用红色填充） cv.rectangle(img_open, tuple(sta[0:2]), tuple(sta[0:2] + sta[2:4]), (0, 0, 255), thickness=-1) # 展示图像 #cv.imshow("img_resize", img_resize)#原图 #cv.imshow("img_gray", img_gray)#灰度处理后 #cv.imshow("img_bw", img_bw) # 二值处理后 #cv.imshow("img_bw", img_bw) # 二值处理后 cv.imshow("img_open", img_open)#连通后 # 等待用户按键，如果按下'q'，则退出循环 if cv.waitKey(0) & 0xFF == ord('q'): break #print("*" * 50) # 打印分割线 cv.destroyAllWindows() # 销毁所有OpenCV创建的窗口