opencv3

图像基本操作6-图像阈值
图像平滑处理（滤波处理）
形态学
- 形态学-腐蚀操作
- 形态学-膨胀操作
- 开运算与闭运算
- 梯度运算
- - 梯度定义
  - 礼帽与黑帽
  - 图像梯度-Sobel算子
  - 图像梯度-Scharr算子(比Sobel算子更敏感一点)
  - 图像梯度-laplacian算子(对噪音点比较敏感)
边缘检测
- Canny边缘检测步骤
- 金字塔
- - 高斯金字塔
  - 拉普拉斯金字塔
- 图像轮廓
- - 轮廓的近似
  - 边界矩形
  - 外接圆
- 模板匹配
- - 匹配多个对象
直方图
- mask操作
- 直方图均衡化

图像基本操作6-图像阈值

cat=cv2.imread('picture/cat.jpg')
ret,thresh1=cv2.threshold(cat,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(cat,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(cat,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(cat,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(cat,127,255,cv2.THRESH_TOZERO_INV)
titles=['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images=[cat,thresh1,thresh2,thresh3,thresh4,thresh5]
for i in range(6):plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')plt.title(titles[i])plt.xticks([]),plt.yticks([])
plt.show()

第二个参数就是阈值，即超过这个值就怎么操作,第四个值就是选择什么方法来做这件事
Cv2.THRESH_BINARY超过阈值部分取maxval(最大值)，否则取O
cv2.THRESH_BINARY_INV THRESH_BINARY的反转
cv2.THRESH_TRUNC大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO大于阈值部分不改变，否则设为O.cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

图像平滑处理（滤波处理）

# #图像平滑处理（滤波处理）
img=cv2.imread('picture/lenaNoise.png')
# # 均值滤波，平均卷积操作
blur=cv2.blur(img,(3,3))
# 方框滤波，基本和均值一样，可以选择归一化(-1表示一致，normalize表示归一化)
# 如果False就会进行如果大于255就取255（白色）
box=cv2.boxFilter(img,-1,(3,3),normalize=False)
#高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian=cv2.GaussianBlur(img,(5,5),1)
# 中值滤波 中值替代
median=cv2.medianBlur(img,5)
# 展示所有的
res=np.hstack((blur,aussian,median))
cv_show('median vs averge',res)

形态学

形态学-腐蚀操作

img=cv2.imread('dige.png')
cv_show('img',img)
kernel=np.ones((5,5),np.uint8)
erosion=cv2.erode(img,kernel,iterations=1)
cv_show('erosion',erosion)
pie=cv2.imread('pie.png')
cv_show('pie',pie)
kernel=np.ones((30,30),np.uint8)
erosion_1=cv2.erode(pie,kernel,iterations=1)
erosion_2=cv2.erode(pie,kernel,iterations=2)
erosion_3=cv2.erode(pie,kernel,iterations=3)
res=np.hstack((erosion_1,erosion_2,erosion_3))
cv_show('res',res)

可以发现把小刺都给删掉了，下面的腐蚀操作是把圆给腐蚀的小了很多

形态学-膨胀操作

会把轮廓都变大

kernel=np.ones((3,3),np.uint8)
dige_dilate=cv2.dilate(img,kernel,iterations=1)
cv_show('dilate',dige_dilate)kernel=np.ones((30,30),np.uint8)
dilate_1=cv2.dilate(pie,kernel,iterations=1)
dilate_2=cv2.dilate(pie,kernel,iterations=2)
dilate_3=cv2.dilate(pie,kernel,iterations=5)
res=np.hstack((dilate_1,dilate_2,dilate_3))
cv_show('res',res)

ps：iterations是指迭代次数

开运算与闭运算

#开运算(先腐蚀再膨胀)
kernel=np.ones((5,5),np.uint8)
opening=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
cv_show('opening',opening)#与闭运算（先膨胀再腐蚀）
closing=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
cv_show('closing',closing)

梯度运算

梯度定义

梯度=膨胀-腐蚀

pie=cv2.imread('pie.png')
kernel=np.ones((7,7),np.uint8)
dilate=cv2.dilate(pie,kernel,iterations=5)
erosion=cv2.erode(pie,kernel,iterations=6)
res=np.hstack((dilate,erosion))
cv_show('res',res)
#减法（得到边界信息）
gradient=cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)
cv_show('gradient',gradient)

礼帽与黑帽

#礼帽=原始输入-开运算结果
tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv_show('tophat',tophat)# 黑帽=闭运算-原始输入
blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv_show('blackhat',blackhat)

图像梯度-Sobel算子

(p5=p3+2p6+p9-p1-2p4-p7)
dst = cv2.Sobel(src, ddepth, dx, dy,ksize)
ddepth:图像的深度
dx和dy分别表示水平和竖直方向
ksize是Sobel算子的大小

img=cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv_show('img',img)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)#右边的边缘显示为黑的，对称过去将右边显示成白色的
cv_show('sobelx',sobelx)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
cv_show('sobely',sobely)
# 分别计算x和y，再求和
sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show('sobelxy',sobelxy)

对带有噪点的lena图片进行操作

img=cv2.imread('picture/lenaNoise.png',cv2.IMREAD_GRAYSCALE)
cv_show('img',img)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely=cv2.convertScaleAbs(sobely)
sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show('sobelxy',sobelxy)

图像梯度-Scharr算子(比Sobel算子更敏感一点)

(p5=3p3+10p6+3p9-3p1-10p4-3p7)

图像梯度-laplacian算子(对噪音点比较敏感)

(p5=p2+p4+p6+p8-4*p5)

cv_show('img',img)
Scharrx=cv2.Scharr(img,cv2.CV_64F,1,0)
Scharrx=cv2.convertScaleAbs(Scharrx)
Scharry=cv2.Scharr(img,cv2.CV_64F,0,1)
Scharry=cv2.convertScaleAbs(Scharry)
Scharrxy=cv2.addWeighted(Scharrx,0.5,Scharry,0.5,0)
# cv_show('sobelxy',sobelxy)
laplacian=cv2.Laplacian(img,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)res=np.hstack((sobelxy,Scharrxy,laplacian))
cv_show('res',res)

边缘检测

Canny边缘检测步骤

1)使用高斯滤波器，以平滑图像，滤除噪声。
2)计算图像中每个像素点的梯度强度和方向。
3)应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应。。4)应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
5)通过抑制孤立的弱边缘最终完成边缘检测。

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res=np.hstack((img,v1,v2))
cv_show('res',res)

金字塔

高斯金字塔

（向下采样,图像变小,向上采样,图像变大）

img=cv2.imread('AM.png')
img=cv2.resize(img,(334,440))
cv_show('img',img)
print(img.shape)
up=cv2.pyrUp(img)
cv_show('up',up)
print(up.shape)
down=cv2.pyrDown(img)
cv_show('down',down)

拉普拉斯金字塔

img=cv2.imread('AM.png')
img=cv2.resize(img,(334,440))
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
print(img.shape,down_up.shape)
cv_show('L-1',l_1)

图像轮廓

cv2.findContours(img,mode,method)

mode:轮廓检索模式
RETR_EXTERNAL:只检索最外面的轮廓;
RETR_LIST:检索所有的轮廓，并将其保存到一条链表当中;
RETR_CCOMP:检索所有的轮廓，并将他们组织为两层:顶层是各部分的外部边界，第二层是空洞的边界;·RETR_TREE:检索所有的轮廓，并重构嵌套轮廓的整个层次;

method:轮廓逼近方法
CHAIN_APPROx_NONE:以Freeman链码的方式输出轮廓，所有其他方法输出多边形(顶点的序列)。.
CHAIN_APPRox_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

img=cv2.imread('car.png')
#转换成灰度图
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#阈值，二值处理
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)cv_show('thresh',thresh)
#m轮廓信息,层级结构
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)


draw_img=img.copy()
res=cv2.drawContours(draw_img,contours,-1,(0,0,255),2)
cv_show('res',res)
res=cv2.drawContours(draw_img,contours,0,(0,0,255),2)
cv_show('res',res)

#轮廓特征：
cnt=contours[0]
#面积
print(cv2.contourArea(cnt))
#周长，True表示闭合的
print(cv2.arcLength(cnt, True))

轮廓的近似

img=cv2.imread('picture/contours.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt=contours[0]draw_img=img.copy()
res=cv2.drawContours(draw_img,[cnt],-1,(0,0,255),2)
cv_show('res',res)epsilon=0.1*cv2.arcLength(cnt,True)
approx=cv2.approxPolyDP(cnt,epsilon,True)
draw_img=img.copy()
res=cv2.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show('res',res)

边界矩形

img=cv2.imread('picture/contours.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt=contours[0]
x,y,w,h=cv2.boundingRect(cnt)
img=cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show('img',img)area=cv2.contourArea(cnt)
x,y,w,h=cv2.boundingRect(cnt)
rect_area=w*h
extent=float(area)/rect_area
print('轮廓面积与边界矩形比',extent)

外接圆

img=cv2.imread('picture/contours.png')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours,hierarchy=cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt=contours[0]
(x,y),radius=cv2.minEnclosingCircle(cnt)
center=(int(x),int(y))
radius=int(radius)
img=cv2.circle(img,center,radius,(0,255,0),2)
cv_show('img',img)

模板匹配

# 模板匹配
img=cv2.imread('picture/lena.jpg',0)
template=cv2.imread('picture/face.jpg',0)
h,w=template.shape[:2]
# print(img.shape,template.shape)
methods=['cv2.TM_CCOEFF','cv2.TM_CCOEFF_NORMED','cv2.TM_CCORR','cv2.TM_CCORR_NORMED','cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED']
res=cv2.matchTemplate(img,template,1)
# print(res.shape)
min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(res)
# print(min_val,max_val,min_loc,max_loc)
for method in methods:img2=img.copy()method=eval(method)print(method)res=cv2.matchTemplate(img,template,method)min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)if method in ['cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED']:top_left=min_locelse:top_left=max_locbottom_right=(top_left[0]+w,top_left[1]+h)#画矩形cv2.rectangle(img2,top_left,bottom_right,255,2)plt.subplot(121),plt.imshow(res,cmap='gray')plt.xticks([]),plt.yticks([])#隐藏坐标轴plt.subplot(122),plt.imshow(img2,cmap='gray')plt.xticks([]),plt.yticks([])plt.suptitle(method)plt.show()

可见归一化操作过后匹配效果明显更好（_NORMED）

匹配多个对象

img_rgb=cv2.imread('picture/mario.jpg')
img_gray=cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template=cv2.imread('picture/mario_coin.jpg',0)
h,w=template.shape[:2]
res=cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
threshold=0.8#取匹配值大于80%的坐标
loc=np.where(res>=threshold)
for pt in zip(*loc[::-1]):#*号表示可选参数bottom_right=(pt[0]+w,pt[1]+h)cv2.rectangle(img_rgb,pt,bottom_right,(0,0,255),1)
cv_show('img_rgb',img_rgb)

直方图

cv2.calcHist(images.channels,mask,histSize,ranges)
images:原图像图像格式为uint8或float32。当传入函数时应用中括号括来例如[img]
channels:同样用中括号括来它会告函数我们统幅图像的直方图。如果入图像是灰度图它的值就是[如果是彩色图像的传入的参数可以是[[1]2]它们分别对应着BGR。
mask:掩模图像。统整幅图像的直方图就把它为None。但是如果你想统图像某一分的直方图的你就制作一个掩模图像并使用它。. histSize:BIN的数目。也应用中括号括来
ranges:像素值范围常为[0256]

img=cv2.imread('picture/cat.jpg')
hist=cv2.calcHist([img],[0],None,[256],[0,256])
print(hist.shape)
plt.hist(img.ravel(),256)
plt.show()color=('b','g','r')
for i,col in enumerate(color):histr=cv2.calcHist([img],[i],None,[256],[0,256])plt.plot(histr,color=col)plt.xlim([0,256])
plt.show()

mask操作

mask=np.zeros(img.shape[:2],np.uint8)
print(mask.shape)
mask[100:300,100:400]=255
cv_show('mask',mask)
img=cv2.imread('picture/cat.jpg',0)
cv_show('img',img)
masked_img=cv2.bitwise_and(img,img,mask=mask)
cv_show('masked_img',masked_img)
hist_full=cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask=cv2.calcHist([img],[0],mask,[256],[0,256])
plt.subplot(221),plt.imshow(img,'gray')
plt.subplot(222),plt.imshow(mask,'gray')
plt.subplot(223),plt.imshow(masked_img,'gray')
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()

直方图均衡化

#直方图均衡化
img=cv2.imread('picture/cat.jpg',0)
img=cv2.imread('picture/clahe.jpg',0)
plt.hist(img.ravel(),256)
plt.show()
#均衡化函数
equ=cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()
res=np.hstack((img,equ))
cv_show('res',res)
#自适应直方图均衡化
clahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))
res_clahe=clahe.apply(img)
res=np.hstack((img,equ,res_clahe))
cv_show('res',res)

opencv studay3相关推荐

OpenCV 笔记（09）— 常用的数据结构和函数（Vec、Point、Scalar、Size、Rect、cvtColor）
1. Vec 对象类型 Vec 是一个主要用于数值向量的模板类.我们可以定义向量的类型和组件的数量: Vec<double, 19> myVector 我们还可以使用任何的预定义类型: t ...
OpenCV 笔记（08）— 二维点、三维点、基于 Mat 的 std::vector 等常用数据结构的定义和输出
1. 定义和输出二维点 Point2f p2(3, 4);cout << "[二维点] is "<< endl << p2 << e ...
OpenCV 笔记（07）— Mat 对象输出格式设置（Python 格式、CSV 格式、NumPy 格式、C 语言格式）
首先是下面代码中将要使用的 r 矩阵的定义.需要注意,我们可以通过用 randu 函数产生的随机值来填充矩阵, 需要给定一个上限和下限来确保随机值在期望的范围内. Mat r = Mat(2, 3, ...
OpenCV 笔记（06）— Mat 结构、像素值存储方法、创建 Mat 对象各种方法、Mat 对象的运算
数字图像中的每个点都称为像素(对于图像元素),并且每个像素可以存储一个或多个值,这取决于它是否是仅存储一个值的黑白图像(也称为二进制图像,比如只存储0或1),还是存储两个值的灰度图像,或者是存储三个值 ...
OpenCV 笔记（05）— opencv.hpp 头文件作用（是其它所有头文件的全集）
在编辑器中通过点击 #include "opencv2/opencv.hpp" 头文件就可以看到该头文件的定义如下 #ifndef OPENCV_ALL_HPP #define O ...
OpenCV 笔记（03）— 读取视频、通过摄像头采集视频、采集视频 canny 边缘检测
我们本节学习如何利用 OpenCV 中的 VideoCapture 类,来对视频进行读取显示,以及调用摄像头. VideoCapture 它提供了从摄像机或视频文件捕获视频的 C++ 接口, 作用是从 ...
OpenCV 笔记（02）— 图像显示、保存、腐蚀、模糊、canny 边缘检测（imread、imshow、namedWindow、imwrite）
OpenCV 提供两种用户界面选项: 基于原生用户界面的基本界面,适用于 Mac OS X 的 cocoa 或 carbon,以及适用于 Linux 或 Windows 用户界面的 GTK ,这些界面 ...
OpenCV 笔记（01）— OpenCV 概念、整体架构、各模块主要功能
1. OpenCV 概念图像处理( Image Processing )是用计算机对图像进行分析, 以达到所需结果的技术, 又称影像处理. 图像处理技术一般包括图像压缩, 增强和复原, 匹配.描述和 ...
Python+OpenCV 图像处理系列（9）—— 图像的翻转和缩放插值
1. 图像的翻转图像翻转 (Image Flip),图像翻转的本质像素映射,OpenCV 支持三种图像翻转方式: X轴翻转,flipcode = 0 Y轴翻转, flipcode = 1 XY轴翻转 ...
Python+OpenCV 图像处理系列（8）—— Numpy 对象及图像对象创建与赋值
1. Numpy 相关知识 1.1 Ndarray 对象在了解 OpenCV 的图像对象之前我们先对 NumPy 的基础知识做一回顾,方便我们后续更进一步理解图像对象的一系列操作. In [2]: ...

opencv studay3