3. OpenCV-Python——图像梯度算法边缘检测图像金字塔与轮廓检测直方图与傅里叶变换

Posted 2020-12-23 红叶楠木

一、图像梯度算法

1、图像梯度-Sobel算子

 

 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

 1 # *******************图像梯度算法**********************开始
 2 import cv2
 3 # import numpy as np
 4 
 5 img = cv2.imread(\'pie.png\',cv2.IMREAD_GRAYSCALE)
 6 cv2.imshow("img",img)
 7 cv2.waitKey()
 8 cv2.destroyAllWindows()
 9 
10 # 显示图像函数
11 def cv_show(img,name):
12     cv2.imshow(name,img)
13     cv2.waitKey()
14     cv2.destroyAllWindows()
15 
16 # Sobel算子——x轴
17 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)   # 计算水平的
18 cv_show(sobelx,\'sobelx\')
19 
20 # 白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值
21 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
22 sobelx = cv2.convertScaleAbs(sobelx)             # 取绝对值
23 cv_show(sobelx,\'sobelx\')
24 
25 # Sobel算子——y轴
26 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
27 sobely = cv2.convertScaleAbs(sobely)             # 取绝对值
28 cv_show(sobely,\'sobely\')
29 
30 # 求和
31 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  # 按权重计算
32 cv_show(sobelxy,\'sobelxy\')
33 
34 # 也有直接计算xy轴的————不推荐使用
35 # sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
36 # sobelxy = cv2.convertScaleAbs(sobelxy)
37 # cv_show(sobelxy,\'sobelxy\')
38 # *******************图像梯度算法**********************结束

用lena图像来实际操作一下：

 1 # *******************图像梯度算法-实际操作**********************开始
 2 import cv2
 3 
 4 # 显示图像函数
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 img = cv2.imread(\'lena.jpg\',cv2.IMREAD_GRAYSCALE)
11 cv_show(img,\'img\')
12 
13 # 分别计算x和y
14 img = cv2.imread(\'lena.jpg\',cv2.IMREAD_GRAYSCALE)
15 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
16 sobelx = cv2.convertScaleAbs(sobelx)
17 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
18 sobely = cv2.convertScaleAbs(sobely)
19 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
20 cv_show(sobelxy,\'sobelxy\')
21 # *******************图像梯度算法-实际操作**********************结束

      

2、图像梯度-Scharr和Laplacian算子

（1）Scharr算子

（2）Laplacian算子

（3）不同算子之间的差距

 1 # *******************图像梯度算子-Scharr+laplacian**********************开始
 2 import cv2
 3 import numpy as np
 4 
 5 #不同算子的差异
 6 img = cv2.imread(\'lena.jpg\',cv2.IMREAD_GRAYSCALE)
 7 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
 8 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
 9 sobelx = cv2.convertScaleAbs(sobelx)
10 sobely = cv2.convertScaleAbs(sobely)
11 sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
12 
13 scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
14 scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
15 scharrx = cv2.convertScaleAbs(scharrx)
16 scharry = cv2.convertScaleAbs(scharry)
17 scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
18 
19 laplacian = cv2.Laplacian(img,cv2.CV_64F)
20 laplacian = cv2.convertScaleAbs(laplacian)
21 
22 res = np.hstack((sobelxy,scharrxy,laplacian))
23 
24 # 显示图像函数
25 def cv_show(img,name):
26     cv2.imshow(name,img)
27     cv2.waitKey()
28     cv2.destroyAllWindows()
29 cv_show(res,\'res\')
30 # *******************图像梯度算子-Scharr+laplacian**********************结束

二、边缘检测

Canny边缘检测

• 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。

1、高斯滤波器

2、梯度和方向

3、非极大值抑制

4、双阈值检测

 1 # *******************边缘检测**********************开始
 2 import cv2
 3 import numpy as np
 4 
 5 img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
 6 
 7 v1=cv2.Canny(img,80,150)  # 设置双阈值 最小和最大
 8 v2=cv2.Canny(img,50,100)
 9 
10 res = np.hstack((v1,v2))
11 
12 # 显示图像函数
13 def cv_show(img,name):
14     cv2.imshow(name,img)
15     cv2.waitKey()
16     cv2.destroyAllWindows()
17 cv_show(res,\'res\')
18 # *******************边缘检测**********************结束

三、图像金字塔

1、高斯金字塔

（1）高斯金字塔：向下采样方法（缩小）

（2）高斯金字塔：向上采样方法（放大）

  

 1 # *******************图像金字塔--高斯金字塔**********************开始
 2 import cv2
 3 import numpy as np
 4 
 5 # 显示图像函数
 6 def cv_show(img,name):
 7     cv2.imshow(name,img)
 8     cv2.waitKey()
 9     cv2.destroyAllWindows()
10 
11 img=cv2.imread("AM.png")
12 # cv_show(img,\'img\')
13 print (img.shape)
14 
15 # 高斯金字塔-上采样 （可执行多次）
16 up=cv2.pyrUp(img)
17 # cv_show(up,\'up\')
18 print (up.shape)
19 
20 # 高斯金字塔-下采样 （可执行多次）
21 down=cv2.pyrDown(img)
22 # cv_show(down,\'down\')
23 print (down.shape)
24 
25 # 高斯金字塔-先上采样再下采样 （会损失信息-变模糊）
26 up=cv2.pyrUp(img)
27 up_down=cv2.pyrDown(up)
28 # cv_show(up_down,\'up_down\')
29 cv_show(np.hstack((img,up_down)),\'up_down\')
30 # *******************图像金字塔--高斯金字塔**********************结束

2、拉普拉斯金字塔

 1 # *******************图像金字塔-拉普拉斯金字塔**********************开始
 2 import cv2
 3 import numpy as np
 4 
 5 # 显示图像函数
 6 def cv_show(img,name):
 7     cv2.imshow(name,img)
 8     cv2.waitKey()
 9     cv2.destroyAllWindows()
10 
11 img=cv2.imread("AM.png")
12 down=cv2.pyrDown(img)
13 down_up=cv2.pyrUp(down)
14 l_1=img-down_up
15 cv_show(l_1,\'l_1\')
16 # *******************图像金字塔-拉普拉斯金字塔**********************结束

四、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。

为提高准确性，使用二值图像。

1、轮廓检测及绘制

 1 # *******************图像轮廓**********************开始
 2 import cv2
 3 import numpy as np
 4 
 5 # 读入图像转换为二值图像
 6 img = cv2.imread(\'contours.png\')
 7 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)     # 转换为灰度图
 8 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 转换成二值图
 9 
10 # 显示图像函数
11 def cv_show(img,name):
12     cv2.imshow(name,img)
13     cv2.waitKey()
14     cv2.destroyAllWindows()
15 # cv_show(thresh,\'thresh\')
16 
17 # 轮廓检测  第一个就是二值的结果  第二个是一堆轮廓点  第三个是层级
18 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
19 
20 # 绘制轮廓
21 draw_img = img.copy()  # 注意需要copy,要不原图会变。。。
22 res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) # 传入绘制图像，轮廓，轮廓索引(-1全部)，颜色模式，线条厚度
23 # cv_show(res,\'res\')
24 
25 draw_img = img.copy()
26 res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
27 cv_show(res,\'res\')
28 # *******************图像轮廓**********************结束

2、轮廓特征

 1 import cv2
 2 
 3 # 读入图像转换为二值图像
 4 img = cv2.imread(\'contours.png\')
 5 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)     # 转换为灰度图
 6 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 转换成二值图
 7 
 8 # 轮廓检测  第一个就是二值的结果  第二个是一堆轮廓点  第三个是层级
 9 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
10 
11 # 绘制轮廓
12 draw_img = img.copy()
13 res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
14 
15 # 轮廓特征
16 cnt = contours[0]               # 获取轮廓
17 print(cv2.contourArea(cnt))     # 计算面积
18 print(cv2.arcLength(cnt, True)) # 计算周长，True表示闭合的

3、轮廓近似

     

 1 import cv2
 2 
 3 img = cv2.imread(\'contours2.png\')
 4 # 显示图像函数
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 # 二值+轮廓检测
11 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
12 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
13 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
14 cnt = contours[0]
15 # 轮廓绘制
16 draw_img = img.copy()
17 res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
18 # cv_show(res,\'res\')
19 
20 # 轮廓近似
21 epsilon = 0.05*cv2.arcLength(cnt,True)
22 approx = cv2.approxPolyDP(cnt,epsilon,True)
23 
24 draw_img = img.copy()
25 res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
26 cv_show(res,\'res\')

（1）边界矩形

 1 # *******************图像轮廓-边界矩形**********************开始
 2 import cv2
 3 
 4 # 显示图像函数
 5 def cv_show(img,name):
 6     cv2.imshow(name,img)
 7     cv2.waitKey()
 8     cv2.destroyAllWindows()
 9 
10 img = cv2.imread(\'contours.png\')
11 
12 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
13 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
14 binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
15 cnt = contours[0]
16 
17 # 边界矩形
18 x,y,w,h = cv2.boundingRect(cnt)
19 img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
20 cv_show(img,\'img\')
21 # 轮廓面积与边界矩形比
22 area = cv2.contourArea(cnt)
23 x, y, w, h = cv2.boundingRect(cnt)
24 rect_area = w * h
25 extent = float(area) / rect_area
26 print (\'轮廓面积与边界矩形比\',extent)
27 # *******************图像轮廓-边界矩形**********************结束

（2）外接圆

1 # 外接圆
2 (x,y),radius = cv2.minEnclosingCircle(cnt)
3 center = (int(x),int(y))
4 radius = int(radius)
5 img = cv2.circle(img,center,radius,(0,255,0),2)
6 cv_show(img,\'img\')

 五、傅里叶变换

　　https://zhuanlan.zhihu.com/p/19763358

1、傅里叶的作用

• 高频：变化剧烈的灰度分量，例如边界

• 低频：变化缓慢的灰度分量，例如一片大海

2、滤波

• 低通滤波器：只保留低频，会使得图像模糊

• 高通滤波器：只保留高频，会使得图像细节增强

　　opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式，得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，通过shift变换。

3、傅里叶变换

 1 # *******************傅里叶变换**********************开始
 2 import numpy as np
 3 import cv2
 4 from matplotlib import pyplot as plt
 5 
 6 img = cv2.imread(\'lena.jpg\',0)
 7 
 8 img_float32 = np.float32(img)
 9 
10 # 傅里叶变换
11 dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
12 dft_shift = np.fft.fftshift(dft)                            # 低频值移动到中间
13 
14 # 对两通道进行转换——映射公式
15 magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
16 
17 plt.subplot(121),plt.imshow(img, cmap = \'gray\')
18 plt.title(\'Input Image\'), plt.xticks([]), plt.yticks([])
19 plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = \'gray\')
20 plt.title(\'Magnitude Spectrum\'), plt.xticks([]), plt.yticks([])
21 plt.show()
22 # *******************傅里叶变换**********************结束

4、高通、低通滤波器

低通滤波器：

 1 # *******************低通滤波器**********************开始
 2 import numpy as np
 3 import cv2
 4 from matplotlib import pyplot as plt
 5 
 6 img = cv2.imread(\'lena.jpg\',0)
 7 
 8 img_float32 = np.float32(img)
 9 
10 # 傅里叶变换
11 dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
12 dft_shift = np.fft.fftshift(dft)
13 
14 rows, cols = img.shape
15 crow, ccol = int(rows/2) , int(cols/2)     # 中心位置
16 
17 # 低通滤波
18 mask = np.zeros((rows, cols, 2), np.uint8)  # 掩码
19 mask[crow-30:crow+30, ccol-30:ccol+30] = 1  # 区域
20 
21 # IDFT
22 fshift = dft_shift*mask                     # 掩码结合
23 f_ishift = np.fft.ifftshift(fshift)         # 位置还原
24 img_back = cv2.idft(f_ishift)               # 傅里叶逆变换
25 img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) # 图像转换
26 
27 plt.subplot(121),plt.imshow(img, cmap = \'gray\')
28 plt.title(\'Input Image\'), plt.xticks([]), plt.yticks([])
29 plt.subplot(122),plt.imshow(img_back, cmap = \'gray\')
30 plt.title(\'Result\'), plt.xticks([]), plt.yticks([])
31 
32 plt.show()
33 # *******************低通滤波器**********************结束

高通滤波器：

 1 # *******************高通滤波器**********************开始
 2 import numpy as np
 3 import cv2
 4 from matplotlib import pyplot as plt
 5 
 6 img = cv2.imread(\'lena.jpg\',0)
 7 
 8 img_float32 = np.float32(img)
 9 
10 dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
11 dft_shift = np.fft.fftshift(dft)
12 
13 rows, cols = img.shape
14 crow, ccol = int(rows/2) , int(cols/2)     # 中心位置
15 
16 # 高通滤波
17 mask = np.ones((rows, cols, 2), np.uint8)  # 掩码
18 mask[crow-30:crow+30, ccol-30:ccol+30] = 0
19 
20 # IDFT
21 fshift = dft_shift*mask
22 f_ishift = np.fft.ifftshift(fshift)
23 img_back = cv2.idft(f_ishift)
24 img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
25 
26 plt.subplot(121),plt.imshow(img, cmap = \'gray\')
27 plt.title(\'Input Image\'), plt.xticks([]), plt.yticks([])
28 plt.subplot(122),plt.imshow(img_back, cmap = \'gray\')
29 plt.title(\'Result\'), plt.xticks([]), plt.yticks([])
30 
31 plt.show()
32 # *******************高通滤波器**********************结束