Opencv图像处理

Posted -素心向暖

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Opencv图像处理相关的知识，希望对你有一定的参考价值。

唐宇迪博士opencv学习笔记
(截图不知道为什么会自动生成水印，十分抱歉)

Opencv图像处理

图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

  • src： 输入图，只能输入单通道图像，通常来说为灰度图

  • dst： 输出图

  • thresh： 阈值

  • maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值

  • type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

  • cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0

  • 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0

  • cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

thresh 阈值 0-255，一般取中间127
maxval 阈值的最大值
type 怎么样去判断阈值，判断阈值之后怎么处理

# 第一个参数是阈值，第二个参数是输出图
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, 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()


# THRESH_OTSU 会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0。
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

图像平滑

# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3,3))

通常情况下卷积核采用 奇数

# 方框滤波
# 基本和均值一样，可以选择归一化
box = cv2.boxFilter(img, -1, (3, 3), normalize=True)
# python 当中指定-1，表示自动计算。我们得到结果与原始通道数一致。
# True 和均值滤波效果一样，相加除以总和
# False 不做归一化，容易越界

# 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
# 相当于用中值代替
median = cv2.medianBlur(img, 5)	# 中值滤波

# 展示所有的
res = np.hstack((blur, aussian, median)) 	# 按横拼接
res = np.vstack((blur, aussian, median))	# 按列拼接

形态学-腐蚀操作

kernel = np.ones((5,5), np.uint8)  
erosion = cv2.erode(img, kernel, iterations=1)

iterations 迭代次数
指定核越大，腐蚀效果更好

形态学-膨胀操作

kernel = np.ones((3, 3), np.uint8)
erosion = cv2.erode(img, kernel, iterations=1)
dilate = cv2.dilate(erosion, kernel, iterations=1)

开运算与闭运算

# 开：先腐蚀，在膨胀
kernel = np.ones((5, 5), np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

# 闭：先膨胀，再腐蚀
kernel = np.ones((5, 5), np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

闭运算，可以使东西连在一起。
闭操作可以将目标内部噪声去除

梯度运算

# 梯度 = 膨胀 - 腐蚀
kernel = np.ones((7, 7), np.uint8)
dilate = cv2.dilate(img, kernel, iterations=5)
erosion = cv2.erode(img, kernel, iterations=5)

res = np.hstack((dilate, erosion))
 
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

边缘检测

礼帽与黑帽

  • 礼帽 = 原始输入 - 开运算结果
  • 黑帽 = 闭运算 - 原始输入
# 礼帽
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
# 礼帽操作将毛刺剩下

# 黑帽
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
# 黑帽操作将轮廓剩下

礼帽（顶帽）操作突出明亮部分

图像梯度-Sobel算子

x为水平，y为竖直

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

ddepth图像深度一般指定为-1
核大小一般为3*3

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)


白到黑是整数，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

sobelx = cv2.sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)

分别计算x和y，再求和

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)

不建议直接计算

sobelxy = cv2.Sobel(img, cv2.CV_64F, 1, 1, ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)

# 会有重影，效果不好

图像梯度-Scharr算子

使结果差异更明显

图像梯度-laplacian算子

laplacian算子在推导过程提到了二阶导，对一些变化更影响。
对噪音点敏感，因而通常与其他算法一起使用。

#不同算子的差异
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)   
sobely = cv2.convertScaleAbs(sobely)  
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)   
scharry = cv2.convertScaleAbs(scharry)  
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) 

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

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

scharr 算子更敏感，laplacian需要与其他一起使用效果更好

归一化

img = cv2.imread('tophat.jpg', cv2.IMREAD_GRAYSCALE)
gradX= cv2.Sobel(img,cv2.CV_32F,1,0,ksize=-1)	# ksize=-1相当于用3*3
gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
# 归一化
gradX = (255 * ((sobelx - minVal) / (maxVal - sobelx)))
gradX = gradX.astype("uint8")

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）用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

v1 = cv2.Canny(img, 80, 150)
v2 = cv2.Canny(img, 50, 100)

# 两个参数分别为 minval 和 maxval

图像金字塔

  • 高斯金字塔
  • 拉普拉斯金字塔

常用于图像特征提取

高斯金字塔：向下采用方法（缩小）

沿着金字塔向尖走

高斯金字塔：向上采样方法（放大）

向上向下指的就是大小

金字塔制作方法

img = cv2.imread("AM.png")
print(img.shape)

(422, 340, 3)

# 上采样
up = cv2.pyrUp(img)
print(up.shape)

(884, 680, 3)

# 下采样
down = cv2.pyrDown(img)
print(down.shape)

(221, 170, 3)

没进行一次金字塔制作，色彩都会损失

拉普拉斯金字塔

down = cv2.pyrDown(img)
down_up = cv2.pyrUp(down)
l_1 = img - down_up

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。

mode 一般使用 RETR_TREE

为了更高的准确率，使用二值图像

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierachy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

# binary	为边缘检测结果
# contours	轮廓信息
# hierachy	层级

本人实测在 Opencv4.5.3中不返回 binary 结果图像

绘制轮廓

# 传入绘制图像，绘制，轮廓索引，颜色模式，线条厚度
# 注意需要copy，要不原图会变...

draw_img = img.copy()
res = cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
# -1 默认所有轮廓		BGR对应颜色模式

轮廓特征

# 用辅助函数时，需要把各个轮廓单独拿出来
cnt = contours[0]
# 面积
cv2.contourArea(cnt)
# 周长，True表示闭合的
cv2.arcLength(cnt, True)

轮廓近似

img = cv2.imread('counters2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierachy = 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)

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)

边界矩形

cnt = contours[0]
x, y, w, h = cv2.boundingRect(cnt)
img = cv2.rectangle(img, (x,y), (x+w, y+h), (0, 255, 0), 2)

轮廓面积与边界矩形之比

# 轮廓面积
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
# 外接矩形面积
rect_area = w*h
extent = float(area) / rect_area

外接圆

(x, y), radius = cv2.minEnclosingCircle(cnt)
center = (ing(x), int(y))
radius = int(radius)

img = cv2.circle(img, center, radius, (0, 255,0), 2)

模板匹配

模板匹配和卷积原理相似，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是 AxB 大小，而模板是 axb 大小，则输出结果的矩阵是 (A-a+1)x (B-b+1)

# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imrad('face.jpg', 0)
h, w = template.shape[:2]
  • TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
  • TM_CCORR：计算相关性，计算出来的值越大，越相关
  • TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
  • TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
  • TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
  • TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

使用时尽量使用后面三个，带归一化的，相对公平

res = cv2.matchTemplate(img, tmplate, TM_SQDIFF)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

# min_val	最小值
# max_val	最大值
# min_loc	最小值所在位置
# max_loc	最大值所在位置

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']

for meth in methods:
	img2 = img.copy()
	
	# 匹配方法的真值
	method = eval(meth)
	res = cv2.matchTemplate(img, template, method)
	min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

	# 如果是平方差匹配 TM_SQDIFF 或归一化平方差匹配TM_SQDIFF_NORMED，取最小值
	if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
		top_left = min_loc
	else:
		top_left = max_loc
	bottom_right = (top_left[0] + w, top_left[1] +h)

	# 画矩形
	cv2,rectangle(img2, top_left, bottom_right, 255, 2)

匹配多个对象

img_rgb = cv2.imread('mario,jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于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), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

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[]来例如[img]
  • channels：同样用中括号来它会告诉函数我们统幅图像的直方图。如果图像是灰度图，它的值就是[0]。如果是彩色图像的传入参数可以是[0][1][2]，它们分别对应着BGR。
  • mask：掩模图像。统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，你就制作一个掩模图像并使用它。
  • histSize：BIN的数目。也应用中括号来。一般取[256]
  • ranges：像素值范围常为[0,256]
img = cv2.imread('cat.jpg', 0)	# 0表示灰度图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
hist.shape

(256, 1)

256 个可能取值（0-255）
1 表示显示结果是二维的

plt.hist(img.revel(), 256)
plt.show

假如要显示图像 MyPlot 是RGB，Opencv 是 BGR

img = cv2.imread('cat.jpg')
color = ('b', 'g', 'r')
for i, col in enumerate(color):
	histr = cv2.calcHist([img], [i], None, [256], [0, 256])
	plt.pl
以上是关于Opencv图像处理的主要内容，如果未能解决你的问题，请参考以下文章
 

 OpenCV 形态学操作（开，闭，梯度，礼帽，黑帽）


 Opencv图像处理


 opencv1


 opencv1


 图像基本处理——腐蚀和膨胀


 openCV第二篇