python笔记图片_图像 opencv

默认

基础变换

模糊锐化

色彩分层

傅里叶变换高通低通

图像序列转换为视频

人脸识别

import opencv as cv2

img = cv2.imread('test.jpg') # imwrite('test.jpg',img)

cv2.imshow('test',img) # cv2 默认 BGR，plt 默认 RGB

# 同理 plt.imshow(img) # 可翻转 pltimg = img[:, :, ::-1]，灰图 cmap = plt.cm.gray，去坐标 plt.axis('off')

# 等待输入 waitKey(0)，destroyAllWindows()，destroyWindows()

rows, cols, chn = img.shape # 行列通道

b, g, r = cv2.split(img) # 拆分通道，或b = img[:, :, 0]

cv2.merge([b, g, r]) # 合并通道

canvas = np.zeros((rows, cols, chn), dtype = img.dtype) # chn 略为单通道可做 mask，dtype 默认 uint8

cv2.line(canvas, (0, 0), (10, 10), (255, 255, 255), 3) # 粗细 -1 为填充

# circle(img, pcenter, r, col)

# polylines(img, [pts], isClosed, col)

# putText(img, text, p, font, size, col)

cv2.copyMakeBorder(img, 1, 1, 1, 1, cv2.BORDER_CONSTANT, value = (255, 255, 255))

cv2.bitwise_and(img1, img2, mask = mask) # 位运算，掩码为零矩阵，bitwise_or()，bitwise_not()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 色彩空间转换

# 可选：COLOR_BGR2RGB、COLOR_GRAY2BGR、CV_BGR2HSV、CV_BGR2XYZ、CV_BGR2HLS

cv2.calcHist([img], [chn], mask, [256], [0,255]) # x 轴等级 256，像素级 0 到 255，accumulate 默认不累计，直方图均衡 cv2.equalizeHist([img])

# 同理 plt.hist(img.ravel(), 256)

基础变换

cv2.resize(img, (10, 10)) # 缩放，或 resize(img, None, fx=.3, fy=.6)

cv2.flip(img, 0) # 翻转，0 垂直 1 水平 -1 垂直水平

m = np.float32([[1, 0, 0], [0, 1, 100]]) # 平移矩阵，参数 [[1,0,x], [0,1,y]]

m = cv2.getRotationMatrix2D(pcenter, angle, scale) # 旋转矩阵

cv2.warpAffine(img, m, (cols, rows)) # 仿射，应用平移旋转等

pos1 = np.float32([[50, 50], [200, 50], [50, 200]]) # 仿射映射位置

pos2 = np.float32([[10, 100], [200, 50], [100, 250]])

m = cv2.getAffineTransform(pos1, pos2) # 仿射矩阵，warpAffine() 应用

m = cv2.getPerspectiveTransform(pos1, pos2) # 透视矩阵，warpPerspective() 应用

模糊锐化

# 加盐

for i in range(5000):

x = np.random.randint(0, rows)

y = np.random.randint(0, cols)

img[x, y, :] = 255

kernel = cv2.ones((5, 5), np.uint8) # 卷积核

cv2.erode(img, kernel, iterations = 9) # 腐蚀去噪：压缩，迭代数默认 1

cv2.dilate(img, kernel) # 膨胀去噪：还原为逆腐蚀

cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) # 开运算(腐蚀后膨胀)去噪

# 可选：

# MORPH_CLOSE 闭运算(膨胀后腐蚀)去散点

# MORPH_GRADIENT 梯度(膨胀减腐蚀)检边

# MORPH_TOPHAT 顶帽(原图减开)或礼帽取白点均光

# MORPH_BLACKHAT 黑帽(闭减原图)取黑点均光

gaussian = cv2.GaussianBlur(gray, (3, 3), 0) # 高斯滤波加权计算，标准差 0

# 均值滤波 blur(img,(3,3))

# 中值滤波非线性 medianBlur(img,3)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 二值返回阈值127和处理后图像

# 可选：

# THRESH_BINARY_INV 反二进制阈值

# THRESH_TRUNC 截断阈值

# THRESH_TOZERO_INV 反阈值 0

# THRESH_TOZERO 阈值 0

# Scharr 检边为增强 Sobel，深度 CV_16S 或 CV_32F，10 为 x 一阶导，01 为 y 一阶导

x = cv2.Scharr(gray, cv2.CV_16S, 1, 0)

y = cv2.Scharr(gray, cv2.CV_16S, 0, 1)

absX = cv2.convertScaleAbs(x) # 转uint8

absY = cv2.convertScaleAbs(y)

scharr = cv2.addWeighted(absX, .5, absY, .5, 0) # 融合

# Canny 检边

canny = cv2.Canny(gaussian, 50, 150)

# Laplacian 检边分四邻域和八邻域，LOG(Laplacian of Gaussian) 为增强 Laplacian，最优滤波器

dst = cv2.Laplacian(binary, cv2.CV_16S, ksize = 3)

Laplacian = cv2.convertScaleAbs(dst)

色彩分层

# 图 K 聚类即色彩分层，聚成n类即色彩分 n 层

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

compactness, label, center = cv2.kmeans(data, 4, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

dst_gray = label.reshape((img.shape[0], img.shape[1]))

center = np.uint8(center) # 彩图需转换为 uint8

res = center[label.flatten()]

dst_color = cv2.cvtColor(res.reshape((img.shape)), cv2.COLOR_BGR2RGB)

cv2.pyrDown(img) # 向下取样，缩小

cv2.pyrUp(img) # 向上取样，放大

# 局部采样即马赛克

def drawMask(x, y, size = 10):

m = x / size * size

n = y / size * size

for i in range(size):

for j in range(size):

im[m + i][n + j] = im[m][n]

# 滤镜色卡

def getBGR(img, table, i, j):

b, g, r = img[i][j] # 原图色

x = int(g / 4 + int(b / 32) * 64) # 计算颜色坐标

y = int(r / 4 + int((b % 32) / 4) * 64)

return lj_map[x][y] # 返回滤镜色

# 读取滤镜色卡 lj_map = cv2.imread('table.png')

傅里叶变换高通低通

import numpy as np

f = np.fft.fft2(a) # 傅变返回频率分布复数数组

# nD 傅变 fftn()

# nD 实数傅变 rfftn()

# 傅变采样频率 fftfreq()

fc = np.fft.fftshift(f) # 分布波形移到数组中心，默认数组起始

# 绝对值振幅图即频谱图 np.log(np.abs(fc))

crow, ccol = int(r / 2), int(c / 2) # 中心

fc[crow - 30:crow + 30, ccol - 30:ccol + 30] = 0 # 高通滤波检边

mask = np.zeros((r, c, 2), np.uint8) # 低通滤波模糊

mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1

fc = fc * mask

f = np.fft.ifftshift(fc) # 分布波形移到数组起始

a = np.fft.ifft2(f) # 傅逆变

a = np.abs(a) # 复数转换为实数

# 灰图改形 np.float32(a.reshape((r*c,1)))

# 彩图改形 np.float32(a.reshape((r*c,1)).reshape((-1,3)))

图像序列转换为视频

img_root = 'z:/test/' # 序列文件夹

fps = 24 # 视频帧率

fourcc = cv2.VideoWriter_fourcc(*'XVID') # *'DVIX' 或 *'X264' 需 ffmepg

vw = cv2.VideoWriter('TestVideo.avi', fourcc, fps, (1920, 980), True) # 是否保存图片尺寸

for i in range(900):

frame = cv2.imread(img_root + str(i + 1) + '.jpg')

cv2.imshow('frame', frame)

vw.write(frame)

if cv2.waitKey(10) & 0xFF == ord('q'):

break

vw.release()

cv2.destroyAllWindows()

人脸识别

import cv2 # pip install opencv-python

cascade_path = './models/haarcascade_frontalface_default.xml' # 脸部模型

# cascade_path = './models/haarcascade_frontalface_alt.xml'

# cascade_path = './models/haarcascade_frontalface_alt2.xml'

# cascade_path = './models/haarcascade_frontalface_alt_tree.xml'

eye_cascade_path = './models/haarcascade_eye.xml' # 眼睛模型

# eye_cascade_path = './models/haarcascade_eye_tree_eyeglasses.xml'

def run(imgPath=''):

outputPath = './output.jpg'

image = cv2.imread(imgPath) # 图片文件读取

image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 灰度化

cascade = cv2.CascadeClassifier(cascade_path) # 分类器取得

facerect = cascade.detectMultiScale(image_gray, scaleFactor=1.1, minNeighbors=2, minSize=(30, 30)) # 脸型检测

if len(facerect) > 0: # 找到脸了

for rect in facerect: # 画出脸的位置

cv2.rectangle(image, tuple(rect[0:2]),tuple(rect[0:2]+rect[2:4]), (0, 255, 0), thickness=3)

eye_cascade = cv2.CascadeClassifier(eye_cascade_path) # 眼睛检测

eyes = eye_cascade.detectMultiScale(image_gray)

for (ex, ey, ew, eh) in eyes:

cv2.rectangle(image, (ex, ey), (ex + ew, ey + eh), (0, 255, 0), 2)

cv2.imwrite(outputPath, image) # 结果保存

print('找到脸了！')

else:

print('对不起，没有脸！')

run(imgPath='./face0.jpg')

python笔记图片_图像 opencv - python笔记相关推荐

python笔记图片_科学网—python数据处理笔记（二）p-v图 - 钱磊的博文
python数据处理笔记(二)p-v图已有 9903 次阅读 2012-5-24 17:46 |个人分类:知识|系统分类:科研笔记| Python, 分子云, 常用工具, p-v图 p-v图是分析分 ...
opencv和python的区别_所有这些OpenCV Python接口之间有何不同？
拉风的咖菲猫 OpenCV正式发布了两种类型的Python接口,cv和cv2.简历:我开始工作cv.这样,所有OpenCV数据类型都将保留下来.例如,加载时,图像的格式cvMat与C ++中的相同.对 ...
python换图片_详解Python给照片换底色(蓝底换红底)
现在网上出现了很多在线换底色的网页版工具是这么做的呢?其实用Python就可以实现. 环境要求 Python3 numpy函数库 opencv库安装下载适应版本的numpy函数库,我电脑是WIN1 ...
怎么用python爬图片_如何用Python来制作简单的爬虫，爬取到你想要的图片
在我们日常上网浏览网页的时候,经常会看到一些好看的图片,我们就希望把这些图片保存下载,或者用户用来做桌面壁纸,或者用来做设计的素材. 我们最常规的做法就是通过鼠标右键,选择另存为.但有些图片鼠标右键的 ...
python完整图片_超全Python图像处理讲解（多图预警）
文章目录 Pillow模块讲解一.Image模块 1.1 .打开图片和显示图片对图片的处理最基础的操作就是打开这张图片,我们可以使用Image模块中的open(fp, mode)方法,来打开图片. ...
python面向对象图片_趣味解读Python面向对象编程 (类和对象)
一.面向对象简介考虑现实生活中,我们的思维方式是放在学生这个个人上,是学生做了自我介绍.而不是像我们刚刚写出的代码,先有了介绍的行为,再去看介绍了谁. 用我们的现实思维方式该怎么用程序表达呢?面向过 ...
python pychart 图片_“Matplotlib与Python数据可视化的pyecharts”朝阳图,之,Pyecharts,旭日...
11.6.2 绘制我的家庭树旭日图为了分析我的家庭的人员相互关系,绘制了我的家庭树旭日图,Python代码如下: # -*- coding: utf-8 -*- # 声明 Notebook 类型,必 ...
python凹多边形分割_使用Opencv python从Image中裁剪凹面多边形
Steps find region using the poly points create mask using the poly points do mask op to crop add whi ...
python布尔表达式模板_使用OpenCV python从手绘逻辑门图中生成布尔表达式
您的项目看起来很酷,所以我花了一些时间寻找解决方案.我在下面的代码.代码的结果是: OUTPUT[XNOR[NOR[AND[B,A],OR[D,C]],XOR[NOT[G],NAND[E,F]]]] ...

python笔记图片_图像 opencv - python笔记

python笔记图片_图像 opencv - python笔记相关推荐

最新文章

热门文章