OPEN CV系列二：图像处理

Posted 2020-12-21 yuganwj

### 图像梯度 laplacian算子

img = cv2.imread(‘0.jpg‘,cv2.IMREAD_GRAYSCALE )
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)  # x方向
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)  # y方向
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0)  # x方向
sobelx = cv2.convertScaleAbs(sobelx)
scharry = cv2.Scharr(img, cv2.CV_64F, 0, 1)  # y方向
sobely = cv2.convertScaleAbs(sobely)
scharrxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

laplacian = cv2.Laplacian(img, cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

res = np.hstack((img, sobelxy, scharrxy, laplacian))
cv_show(res, ‘res‘)

 

### Canny边缘检测
- 1.使用高斯滤波器，以平滑图像，滤除噪声
- 2.计算图像每个像素点的梯度强度和方向
- 3.应用非极大值抑制，以消除边缘检测带来的杂散效应
- 4.应用双阈值检测来确定真实和潜在的边缘
- 5.通过抑制孤立的弱边缘最终完成边缘检测

import cv2
import numpy as np
img = cv2.imread(‘0.jpg‘, cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img, 80, 150)  # 双阈值
v2 = cv2.Canny(img, 50, 100)
res = np.hstack((v1, v2))
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()
cv_show( res, ‘res‘)

img = cv2.imread(‘1.jpg‘, cv2.IMREAD_GRAYSCALE)
v1 = cv2.Canny(img, 80, 150)
v2 = cv2.Canny(img, 50, 100)
res = np.hstack((v1, v2))

cv_show( res, ‘res‘)

 

### 高斯金字塔
- 高斯金字塔下采样：将图像与高斯内核卷积，将所有的偶数行和列去除
- 高斯金字塔上采样：1.将图像在每个方向扩大为原来的俩倍，新增的行和列以0填充
-             2.使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值

img = cv2.imread(‘0.jpg‘)
cv_show(img, ‘img‘)
print(img.shape)

up = cv2.pyrUp(img)
cv_show(up, ‘up‘)  # 上采样 2倍
print(up.shape)

down = cv2.pyrDown(img)
cv_show(down, ‘down‘)  # 下采样 2倍
print(down.shape)

 

### 拉普拉斯金字塔
- 图像=原始图像-（pyrUp(pyrDown(原始图像))）

down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l = img - down_up
cv_show(l, ‘l‘)

 

### 图像轮廓  (轮廓不同于边缘，连接在一起的才叫轮廓)
#### 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，并将其保存在一条链表当中
- RETR_CCOMP: 检索所有的轮廓，并将他们组织为俩层：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

### 为了更高的准确率，使用二值图像

import cv2
img = cv2.imread(‘1.jpg‘)  # 读数据
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换灰度图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 图像阈值 二值处理（0， 255）
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()
cv_show(thresh, ‘thresh‘)

binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # 检测函数

### 绘制轮廓

# 传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意传入的模型需要copy,因为函数实在原图像上进行轮廓绘制的
cv_show(img, ‘img‘)
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)  # （图片， 轮廓信息， 画第几个轮廓，（B,G,R）, 线条宽度）
cv_show(res, ‘res‘)

### 轮廓特征

len(contours)  # 轮廓个数

cnt = contours[10]
cv2.contourArea(cnt)  # 轮廓面积

cv2.arcLength(cnt, True)  # 轮廓周长， True表示闭合

 

### 轮廓近似

import cv2
def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey()
    cv2.destroyAllWindows()
img = cv2.imread(‘3.jpg‘)  # 读数据
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换灰度图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 图像阈值 二值处理（0， 255）
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # 检测函数
print(len(contours))
cnt = contours[66]
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)  # （图片， 轮廓信息， 画第几个轮廓，（B,G,R）, 线条宽度）
cv_show(res, ‘res‘)

epsilon = 0.05 * 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‘)

 

 

### 外接矩形

img = cv2.imread(‘3.jpg‘)  # 读数据
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换灰度图
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 图像阈值 二值处理（0， 255）
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # 检测函数
print(len(contours))
cnt = contours[66]

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
extend = float(area) / rect_area
print(‘轮廓面积与边界矩形面积之比为：‘, extend)

 

### 外接圆

(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‘)