图像处理与分析——实验六-数学形态及图像压缩

实验目标：

掌握图像压缩和数学形态学基本方法及技术。
使用不同参数进行图像压缩测试，观察其效果。
通过形态学操作提取图片中的特定图案。

一、

实验要求：

对 imgs 目录下的图像进行图像压缩测试，调节参数查看效果。

实验图片路径为：
imgs/1.jpg
imgs/2.jpg
imgs/3.jpg

输出路径为：outputs/

请按照 exp5_1_i 的格式，输出每个任务结果

实验方案：

图像读取与预处理：

使用 mpimg.imread 从指定路径读取图像，并转换为 numpy 数组以便进行进一步处理。

import os
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

def load_image(path):
    return mpimg.imread(path)

def save_image(image, path):
    plt.imsave(path, image)

图像压缩：

通过改变图像分辨率来“压缩”图像。
使用一个缩放因子，将图像的高度和宽度按比例缩小。

def compress_image(image, scale_factor=0.5):
    height, width = image.shape[:2]
    new_height, new_width = int(height * scale_factor), int(width * scale_factor)
    compressed_image = np.zeros((new_height, new_width, image.shape[2]), dtype=image.dtype)
    for i in range(new_height):
        for j in range(new_width):
            compressed_image[i, j] = image[int(i / scale_factor), int(j / scale_factor)]
    return compressed_image

图像显示与保存：

显示原图和压缩后的图像对比，并将结果保存到指定路径。

def display_images(original, compressed, output_path):
    fig, axes = plt.subplots(1, 2, figsize=(10, 5))
    axes[0].imshow(original)
    axes[0].set_title('Before')
    axes[0].axis('off')

    axes[1].imshow(compressed)
    axes[1].set_title('After')
    axes[1].axis('off')

    plt.savefig(output_path)
    plt.show()

def process_images():
    input_dir = "imgs"
    output_dir = "outputs"
    os.makedirs(output_dir, exist_ok=True)

    for i in range(1, 4):
        path = f"{input_dir}/{i}.jpg"
        image = load_image(path)
        compressed_image = compress_image(image, scale_factor=0.5)
        output_path = f"{output_dir}/exp5_1_{i}.jpg"
        display_images(image, compressed_image, output_path)

process_images()

实验结果：

原图特点：
- 图像展示了不同的场景或物体，具有较高的分辨率和清晰度。
处理后的图像：
- 经过压缩处理后，图像的分辨率明显降低，但大致轮廓和主要细节依然可见。
- 不同的图像在压缩后，质量有所差异，这与原图像的复杂度和压缩参数有关。

分析：

通过调整缩放因子，可以控制图像压缩后的质量和文件大小。
在实际应用中，需要根据具体需求平衡图像质量和存储空间。

二、

实验要求：

尝试使用形态学操作的方法提取图片 morphology.jpg 中的国旗图案。

实验图片路径为：
imgs/morphology.jpg

输出路径为：outputs/

请按照 exp5_2_i 的格式，输出每个任务结果

实验方案：

图像读取与预处理：

使用 cv2.imread 读取图像，并转换为灰度图。

import cv2
import numpy as np

img = cv2.imread('imgs/morphology.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

边缘检测与形态学操作：

应用高斯模糊去除噪声，并使用 Canny 边缘检测算法检测边缘。
使用形态学操作闭合边缘。

blurred = cv2.GaussianBlur(gray, (3, 3), 0)
edges = cv2.Canny(blurred, 50, 150)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)

轮廓检测与国旗提取：

查找轮廓，并筛选出接近国旗比例的轮廓。
将提取的国旗图案进行统一大小处理，并保存结果。

contours, _ = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
flags = []
standard_flag_size = (90, 60)

for contour in contours:
    x, y, w, h = cv2.boundingRect(contour)
    aspect_ratio = w / float(h)
    if 1.4 < aspect_ratio < 1.8:
        flag = img[y:y+h, x:x+w]
        resized_flag = cv2.resize(flag, standard_flag_size)
        flags.append(resized_flag)

combined_height = (len(flags) // 10 + 1) * standard_flag_size[1]
combined_width = 10 * standard_flag_size[0]
combined_image = np.zeros((combined_height, combined_width, 3), dtype=np.uint8)

for idx, flag in enumerate(flags):
    row = idx // 10
    col = idx % 10
    combined_image[row*standard_flag_size[1]:(row+1)*standard_flag_size[1], col*standard_flag_size[0]:(col+1)*standard_flag_size[0]] = flag

cv2.imwrite('outputs/exp5_2_1.jpg', combined_image)

实验结果：

原图特点：
- 图像包含多个国旗图案和其他复杂背景元素。
处理后的图像：
- 通过形态学操作，成功提取出大部分国旗图案，并将其拼接到一张图像中。
- 提取出的国旗图案清晰可见，背景杂乱的部分被有效去除。

分析：

形态学操作在提取特定形状和结构元素方面非常有效，特别是当目标对象具有明显的几何特征时。
大约有30%的国旗未能被提取出来，可能是由于这些国旗在图像中的位置、大小或形状与预设参数不完全匹配。

实验总结：

本次实验主要探索了图像压缩和数学形态学操作两种技术。在第一项任务中，通过调整压缩参数，实现了不同质量的图像压缩效果。这一过程展示了图像压缩技术在实际应用中的灵活性和重要性。

在第二项任务中，使用形态学操作成功提取出图像中的国旗图案。这一过程不仅展示了形态学操作的强大功能，还加深了对图像结构分析和处理技术的理解。

通过本次实验，我不仅掌握了图像压缩和形态学操作的基本方法，还学会了如何在实际应用中灵活运用这些技术，以解决不同类型的图像处理问题。这些经验和技能将为未来更加复杂的图像处理任务提供有力支持。

Pu Dianheng's blog

图像处理与分析——实验六-数学形态及图像压缩

实验目标：

一、

实验要求：

实验方案：

实验结果：

二、

实验要求：

实验方案：

实验结果：

实验总结：