import matplotlib.pyplot as plt
import cv2 as cv
import numpy as np
from matplotlib import font_manager


my_font = font_manager.FontProperties(fname="C:\\Windows\\Fonts\\MSYHL.TTC")
'读取图片信息'
img = cv.imread('lovely.jpg')
img1 = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow('lovely', img)
cv.waitKey(0)
cv.destroyAllWindows()
print(img1)

'对原始图像矩阵的值进行操作'
img2 = np.uint8(img1/4)
print(img2)
img3 = np.uint8(img1/16)*16
img4 = np.uint8(img/32)*32
img5 = np.uint8(img/64)*64
img6 = np.uint8(img >= 128)*128

# 显示得到的图像
title = ['原始图像', '量化为64份', '量化为16份', '量化为8份', '量化为4份', '量化为2份']  # 子图标题
img = [img1, img2, img3, img4, img5, img6]
for i in range(6):
    plt.subplot(2, 3, i + 1)   # python 列表从0开始计数，所以此处 i+1
    plt.imshow(img[i], 'gray')
    plt.title(title[i], fontproperties=my_font)
    plt.xticks([]), plt.yticks([])
plt.show()

原始图像，与量化不同份的效果图如下：

图片采样

图片采样是把图片以一定的间隔进行像素采样，具体代码如下

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import font_manager


my_font = font_manager.FontProperties(fname="C:\\Windows\\Fonts\\MSYHL.TTC")
# 读取图片
img = cv.imread('lovely.jpg')
img1 = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
img2 = cv.cvtColor(img, cv.COLOR_BGR2RGB)  # plt显示的是RGB图，而OpenCV产生的是BGR图

cv.imshow('lovely', img)
cv.waitKey(0)
cv.destroyAllWindows()

img8 = img1[0:-1:2, 0:-1:2]  # 间隔为2采样
img9 = img1[0:-1:4, 0:-1:4]
img10 = img1[0:-1:8, 0:-1:8]
img11 = img1[0:-1:16, 0:-1:16]

titles = ['原始图像', '256*256', '128*128', '64*64', '32*32', '16*16']
image = [img2, img1, img8, img9, img10, img11] 

for j in range(6):
    plt.subplot(2, 3, j + 1)
    if j == 0:
        plt.imshow(image[j])
    else:
        plt.imshow(image[j], 'gray')
    plt.title(titles[j], fontproperties=my_font)
    plt.xticks([]), plt.yticks([])
plt.show()

运行结果如下：

采样时，图像的真实大小会同样发生变化，其大小随着采样点的增加正比例减小

图像金字塔

图像金字塔是图像按照分辨率从低到高构成的金字塔，最低的分辨率位于塔尖，原图位于塔底，高斯金字塔可以下采样，也可以实现上采样

高斯金字塔上下采样 pyrDown pyrUp

cv.pyrDown(src)

src：输入要下采样的图片

cv.pyrUp(src)

src：输入要上采样的图片

上采样下采样不可逆，因为丢失的图像序列信息是未知的，需要通过拉普拉斯金字塔来还原原图

拉普拉斯金字塔 L = G－pyrUp(G+1)

获取高斯金字塔变换丢失的图像信息 L = G－pyrUp(G+1)

通过拉普拉斯金子塔获取丢失信息，还原原图

局部马赛克

马赛克的原理就是一片区域的像素点以区域里的一个点代替，产生相同像素点，在人眼形成’马赛克视觉‘

8、Opencv进行直方图统计

绘制直方图函数 calcHist

cv.calcHist(images, channels, mask, histSize, ranges, hist, accumulate)

images：输入的图片

channels：指定通道 [0]代表灰度图，如果读入的图像不是灰度图，该值可以是[0],[1],[2]分别代表

通道 B,G,R

mask：掩码图像，进行整张图的绘制时为 None

histSize：分成像素组的数量

ranges：像素值范围

accumulate：累计标识，一般可以省略，不对其进行操作

写法除了None不需要[ ],其余都需要 [ ],example cv.calcHist([img], [0], None, [256], [0, 255])

9、OpenCV进行直方图均衡化实现图像增强

全局直方图均衡化 equalizeHist

cv.equalizeHist(src)

src：需要直方图均衡化的图片

局部直方图均衡化 createCLAHE

cv.createCLAHE(clipLimit, tileGridSize)

clipLimit：一般设置为2.0

tileGridSize：对图像进行小区域分割

example cv.createCLAHE(clipLimit=2.0, tileGridSize=(10, 10))

10、OpenCV进行图像平滑

添加噪声 skimage.util.random_noise

skimage.util.random_noise(image, mode=‘gaussian’, seed=None, clip=True, **kwargs)

image: 添加噪声的图像

mode: 添加的噪声类型：

‘gaussian’ 高斯加性噪声

‘localvar’ 高斯加性噪声，每点具有特定的局部方差

‘poisson’ 泊松分布的噪声

'salt’盐噪声，随机用1替换像素。属于高灰度噪声

‘pepper’ 胡椒噪声，随机用0或-1替换像素，属于低灰度噪声

‘s&p’椒盐噪声，两种噪声同时出现，呈现出黑白杂点）

后面的参数在运用时一般不对其操作，直接使用默认值

均值滤波 blur

cv.blur(src,ksize)

src：需要处理的图像

ksize：选取的核大小

example cv.blur(img,(6,5))

方框滤波 boxFilter

cv.boxFilter(src,ddepth,ksize,normalize)

src：输入图片

ddepth：目标图像的深度

ksize：核大小

normalize：是否归一化，使用布尔值进行选择

example cv.boxFilter(img, ddepth = -1, ksize(2,2),normalize = False)

高斯滤波 GaussianBlur

cv.GaussianBlur(src，kszie，sigmax)

src：输入图片

ksize：滤波器大小

sigmax：标准差，一般设置为0

example cv.GaussianBlur(img,(5,5),0)

中值滤波 medianBlur

cv.medianBlur(src,ksize)

src：输入图片

ksize：滤波器尺寸大小，必须为奇数

example cv.medianBlur(img,9)

11、OpenCV图像锐化及边缘检测

Sobel算子 Sobel

cv.Sobel(src,ddepth,dx,dy,ksize)

src ：输入图像

ddepth：输出图像深度，输入8U有正负一起可能值很大，最好是CV_16S/CV_32F

dx：X方向，几阶导数

dy： Y方向，几阶导数.

ksize：Sobel算子ksize大小，必须是1、3、5、7

example: cv.Sobel(img,cv.CV_64F,0,1,ksize=5)

Laplacian算子 Laplacian

cv.Laplacian(src,ddepth,ksize)

src：输入图像

ddepth：输出图像深度

ksize：核大小

example: cv.Laplacian(img,cv.CV_64F)

Scharr算子 Scharr

cv.Scharr（src，ddepth，dx，dy，ksize）

src ：输入图像

ddepth：输出图像深度，输入8U有正负一起可能值很大，最好是CV_16S/CV_32F

dx：X方向，几阶导数

dy： Y方向，几阶导数.

ksize：核大小

example: cv.Scharr(img,cv.CV_64F,0,1)

Canny算子 Canny

cv.Canny(src,threshold1，threshold2）

src：输入图片

threshold1：阈值1

threshold2：阈值2

example cv.Canny(img,100,200)

12、OpenCV图像形态学处理

图像二值化 threshold

cv.threshold（src,thresh,maxval,type,dst）

src：输入图像

thresh：阈值

maxval：当type指定为THRESH_BINARY或THRESH_BINARY_INV时，需要设置该值

type：指定阈值类型

dst：目标图像

图像腐蚀 erode

cv.erode(src,kernel,iterations)

src：输入图像

kernel：核的大小

iterations：迭代次数，默认为1

example cv.erode(img,kernel=(3,3),,iterations=1)

图像膨胀 dilate

cv.dilate(src,kernel,iterations)

src：输入图像

kernel：核的大小

iterations：迭代次数，默认为1

example cv.dilate(img,kernel=(3,3),,iterations=1)

图像开、闭、梯度、顶帽、底帽运算 morphologyEx

cv.morphologyEx(src,op,kernel)

src：输入图像

op：操作的类型

kernel：核的大小

开运算把类型设为cv.MORPH_OPEN

闭运算把类型设为cv.MORPH_CLOSE

梯度运算把类型设为cv.MORPH_GRADIENT

顶帽运算把类型设为cv.MORPH_TOPHAT

底帽运算把类型设为cv.MORPH_BLACKHAT

总结与感悟

这篇文章主要是来帮自己记住一些函数或者函数的参数操作方法，具体的理论还有全代码学习可以参考(61条消息) 一马归一码的博客_CSDN博客-Python,DSP,Python计算机视觉领域博主这位博主大大的Python计算机视觉，我想肯定会有帮助。里面有些函数只写了主要的参数，一些默认的参数没有全都写完，在实际中使用需要自己依照需求考量。现在先写到这里，随着我的所学，会对内容进行不断地更新以及改进，对参数对函数，对设计的算法领域都会有不断地更新。希望通过博客的方式对所学进行总结，同时对自我进行沉淀，也作为以后回顾的资料。

以上是关于OpenCV-Python计算机视觉函数的主要内容，如果未能解决你的问题，请参考以下文章

OpenCV-Python实战（20）——OpenCV计算机视觉项目在Web端的部署

OpenCV-Python实战（23）——将OpenCV计算机视觉项目部署到云端

opencv-python 极速入门

OpenCV-Python实战（16）——人脸追踪详解

OpenCV-Python实战——直方图均衡化（含大量示例，建议收藏）

OpenCV-Python实战（15）——面部特征点检测详解（仅需5行代码学会3种面部特征点检测方法）