概要

こちらのページで用意した環境を用いて、画像の基本的な扱い方を把握します。

• Core Operations

切り出し Region of Interest (ROI)

RGB で処理するために Matplotlib を利用することにします。

from matplotlib import pyplot as plt
import matplotlib.image as mpimg
img = mpimg.imread('./myimage.png')

画像サイズの確認

img.shape
(200, 200, 4)

指定したピクセルの R 値を取得および変更

img.item(0,0,0)
img.itemset((0,0,0), 1.0)

左上

part = img[0:100, 0:100]
plt.imshow(part)
plt.show()

右下にコピー

img[100:200, 100:200] = part
plt.imshow(img)
plt.show()

RGB を BGR に変換

import cv2 as cv

r,g,b,a = cv.split(img)
img = cv.merge((b,g,r,a))

plt.imshow(img)
plt.show()

ブレンド

同じサイズの二つの画像の RGB 値を比率を指定して足し合わせます。

myimg.png

myimg2.png

cv.addWeighted(img, 0.7, img2, 0.3, 0)

import cv2 as cv
from matplotlib import pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread('./myimage.png')
img2 = mpimg.imread('./myimage2.png')

img.shape
img2.shape

plt.imshow(cv.addWeighted(img, 0.7, img2, 0.3, 0))
plt.show()

ビット演算

符号無し整数 [0, 255] に範囲を変更したうえで、ビット演算してロゴ画像を別の画像に貼り付けます。

myimage.png

opencv-logo-small.png

import cv2 as cv
import matplotlib.image as mpimg
from matplotlib import pyplot as plt
import numpy as np

# RGBA の場合であっても RGB で読み込みます
# 今回はビット演算したいため、範囲を
# [0.0 ,1.0] (float32) から [0, 255] (uint8) に変更します
img_src1 = (mpimg.imread('./myimage.png')[:,:,:3] * 255).astype(np.uint8)
img_src2 = (mpimg.imread('./opencv-logo-small.png')[:,:,:3] * 255).astype(np.uint8)
#plt.imshow(img_src1); plt.show()
#plt.imshow(img_src2); plt.show()

# グレースケールに変換
img_src2_gray = cv.cvtColor(img_src2, cv.COLOR_RGB2GRAY)
#plt.imshow(img_src2_gray); plt.gray(); plt.show()

# 少しでも色がある箇所 (真っ黒 0 でない箇所) はすべて真っ黒 0 に変換します
# (逆に色がない黒い箇所 0 は真っ白 1 にします)
img_src2_maskg = cv.threshold(img_src2_gray, 10, 255, cv.THRESH_BINARY_INV)[1]
#plt.imshow(img_src2_maskg); plt.gray(); plt.show()

# RGB 画像のマスキング用に結合します
img_src2_mask = cv.merge((img_src2_maskg, img_src2_maskg, img_src2_maskg))
#plt.imshow(img_src2_mask); plt.show()

# 反転したマスキングも用意します
# bitwise への入力は符号なし整数であることが重要です。今回は uint8 です
#   0 = 00000000 => 11111111 = 255
# 255 = 11111111 => 00000000 = 0
img_src2_maskn = cv.bitwise_not(img_src2_mask)
#plt.imshow(img_src2_maskn); plt.show()

# threshold に満たなかった箇所をビット演算で 0 (真っ黒) にします
img_src2_masked = cv.bitwise_and(img_src2, img_src2_maskn)
#plt.imshow(img_src2_masked); plt.show()

# 別の画像 src1 から ROI を切り出して、src2 の色のある箇所をビット演算で真っ黒 0 にします
img_src1_masked = cv.bitwise_and(img_src1[:50,:54], img_src2_mask)
#plt.imshow(img_src1_masked); plt.show()

# ビット演算 OR でマスキングされた二つの画像を合わせます
img_src1_roi = cv.bitwise_or(img_src1_masked, img_src2_masked)
# img_src1_roi = img_src1_masked + img_src2_masked # としても同じ結果です
#plt.imshow(img_src1_roi); plt.show()

# src1 に結果を戻します
img_src1[:50, :54] = img_src1_roi
plt.imshow(img_src1)
plt.show()

img_src1

img_src2

img_src2_gray

img_src2_maskg

img_src2_mask

img_src2_maskn

img_src2_masked

img_src1_masked

img_src1_roi

img_src1

h5py の簡単な使い方

概要 NumPy から扱えるデータをファイルに保存するためのフォーマットとして HDF5 (Hierarchical Data Format) が利用されます。これを Python から扱うためには h5py を利用します。 pip install h5py サンプルコード NumPy データの保存 import h5py import numpy as np with h5py.File
OpenCV を C++ から扱うためのサンプルコード

概要 Python から扱う方法ではなく C++ で OpenCV を扱うためのサンプルコードを記載します。ビルドには cmake を用います。 Debian の場合は以下のコマンドで必要なライブラリがインストールされます。 sudo apt install libopencv-dev 画像を開いてウィンドウに表示
主成分分析による物体の方向検出 (OpenCV3、C++)

概要 主成分分析 PCA (Principal Component Analysis) を利用すると、多次元のデータから興味のある特徴のみを抽出して、より低次元のデータに変換できる可能性があります。PCA の応用例の一つとして、物体の方向検出があります。画像をグレースケールに変換して物体の輪郭を検出した後に、輪郭を形成する各点を x座標、y座標を持つ二次元データとみなします。この二次元データに対
画像から特定の色の領域を抜き出す (OpenCV3 C++)

概要 OpenCV3 C++ を用いて画像から特定の色の領域を取り出す方法のうち、HSV 色空間における色相を指定する方法と、バックプロジェクション (逆投影法) を利用する方法の二つを記載します。 HSV 色空間における色相を指定する方法 色を表現する空間には RGB の他に HSV (Hue 色相、Saturation 彩度、Value 明度)
PCL インストールおよびビルド (Debian9、C++)
概要 ポイントクラウド (点群) は空間内の点 (x,y,z) の集合です。例えば LiDAR (Light Detection and Ranging、レーザースキャナ、3D スキャナ) を利用して取得できます。メッシュで物体を表現している場合と区別します。 画像には通常の RGB カラー画像だけでなく、距離情報を濃淡として保存した距離画像