影象處理入門 100 題，有人把它翻譯成了中文版！

官方微博：AI有道

之前，我發文推薦過一份影象處理入門 100 題，主要針對影象處理的一些基本操作，非常適合入門！

但是，這份資源教程是由日本人寫的，日文版，讀起來非常不方便。好訊息，最近我在逛 GitHub 的時候，發現有人將這份教程翻譯成了中文版。該專案包含了 CV 領域，OpenCV 影象處理入門 100 題例項解析，並配備完整的 Pyhon 程式碼。

首先，放上原版日文地址：

https://github.com/yoyoyo-yo/Gasyori100knock

對應的中文版翻譯地址：

https://github.com/gzr2017/ImageProcessing100Wen

Tutorial

這部分的極簡教程主要是介紹影象處理開源庫 OpenCV 的安裝，讀取、顯示影象、操作畫素等一些基本操作。分為 Python 版和 C++ 兩種形式。

作者推薦了 OpenCV 的極簡安裝方法：

1. 安裝 MiniConda

地址：https://conda.io/miniconda.html

2. 建立虛擬環境並啟用

$ conda create python = 3.6  -  n gasyori 100
$ source actiavte gasyori 100

3. 安裝包

$ pip install -r requirement.txt

其中，requirement.txt 檔案在專案根目錄下，下載至命令列所在目錄直接執行上述命令即可。

該專案總共包含了 100 道影象處理入門題，下面分別來看一下！

問題 1-10

這部分提供了 Python 和 C++ 兩種形式。例如看中值濾波演算法。

Python：

import cv2
import numpy as np

# Read image
img = cv2.imread("imori_noise.jpg")
H, W, C = img.shape


# Gaussian Filter
K_size = 3
sigma = 1.3

## Zero padding
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)
out[pad:pad+H, pad:pad+W] = img.copy().astype(np.float)

## Kernel
K = np.zeros((K_size, K_size), dtype=np.float)
for x in range(-pad, -pad+K_size):

    for y in range(-pad, -pad+K_size):
        K[y+pad, x+pad] = np.exp( -(x**2 + y**2) / (2* (sigma**2)))
K /= (sigma * np.sqrt(2 * np.pi))
K /= K.sum()

tmp = out.copy()

for y in range(H):
    for x in range(W):
        for c in range(C):
            out[pad+y, pad+x, c] = np.sum(K * tmp[y:y+K_size, x:x+K_size, c])

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

# Save result
cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

C++ 版：

#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <iostream>
#include <math.h>


// gaussian filter
cv::Mat gaussian_filter(cv::Mat img, double sigma, int kernel_size){
  int height = img.rows;
  int width = img.cols;
  int channel = img.channels();

  // prepare output
  cv::Mat out = cv::Mat::zeros(height, width, CV_8UC3);

  // prepare kernel
  int pad = floor(kernel_size / 2);
  int _x = 0, _y = 0;
  double kernel_sum = 0;

  // get gaussian kernel
  float kernel[kernel_size][kernel_size];

  for (int y = 0; y < kernel_size; y++){
    for (int x = 0; x < kernel_size; x++){
      _y = y - pad;
      _x = x - pad;
      kernel[y][x] = 1 / (2 * M_PI * sigma * sigma) * exp( - (_x * _x + _y * _y) / (2 * sigma * sigma));
      kernel_sum += kernel[y][x];
    }
  }

  for (int y = 0; y < kernel_size; y++){
    for (int x = 0; x < kernel_size; x++){
      kernel[y][x] /= kernel_sum;
    }
  }


  // filtering
  double v = 0;

  for (int y = 0; y < height; y++){
    for (int x = 0; x < width; x++){
      for (int c = 0; c < channel; c++){

      v = 0;

      for (int dy = -pad; dy < pad + 1; dy++){
        for (int dx = -pad; dx < pad + 1; dx++){
          if (((x + dx) >= 0) && ((y + dy) >= 0)){
            v += (double)img.at<cv::Vec3b>(y + dy, x + dx)[c] * kernel[dy + pad][dx + pad];
          }
        }
      }
      out.at<cv::Vec3b>(y, x)[c] = v;
      }
    }
  }
  return out;
}

int main(int argc, const char* argv[]){
  // read image
  cv::Mat img = cv::imread("imori_noise.jpg", cv::IMREAD_COLOR);

  // gaussian filter
  cv::Mat out = gaussian_filter(img, 1.3, 3);

  //cv::imwrite("out.jpg", out);
  cv::imshow("answer", out);
  cv::waitKey(0);
  cv::destroyAllWindows();

  return 0;
}