opencv 基本接口介绍

Posted 2020-11-26 ksxh

 

以下所有操作都基于这三个库：

import cv2

import numpy as np

import matplotlib.pylab as plt

 

1、图片读取
img=cv2.imread(‘image/lenacolor.png‘,cv2.IMREAD_UNCHANGED)

##原图展示

cv2.IMREAD_UNCHANGED

##灰度图展示

cv2.IMREAD_GRAYSCALE

##彩色图展示

cv2.IMREAD_COLOR

 

2、图片保存
cv2.imwrite(‘image/gray_test.jpg‘,img)

 

3、图片展示
cv2.imshow(‘original‘,img)

 

4、图片暂停展示
cv2.waitKey(num)

##按键输入消失

num<0

##0或不填系数 ，一直不消失

num==0

##停滞num秒

num>0

 

5、 关闭所有窗口
cv2.destroyAllWindows()

 

6、图像赋值
1)基本操作

img[100,100]=255 #灰度图赋值

img[100,100,0]=255 #彩色图单通道赋值

img[100,100]=[255,255,255] #彩色图多通道赋值

 

2)numpy操作

img.item(100, 100, 2) #获得（100,100）点，2通道的值

img.itemset((100, 100, 2), 255) #设置（100,100）点2通道的值

 

7、获取图像属性
##获取BGR图 高、宽、深度

h，w，d=img.shape

 

##获得图片大小 h*w 或 h*w*d

img_size=img.size

 

##获得图片数据类型

img.dtype

 

8、感兴趣区域ROI （region of interest）
##获得面部图像

face= img[220:400, 250:350]

 

##粘贴脸部图像，可以跨图粘贴

img[0:180, 0:100]=face

 

9、通道分解合并
##通道分解方案1

b=img[:,:,0]

g=img[:,:,1]

r=img[:,:,2]

 

##通道分解方案2

b,g,r=cv2.split(img)

 

##通道合并

rgb=cv2.merge([r,g,b])

 

##只显示蓝色通道

b=cv2.split(a)[0]

g = np.zeros((rows,cols),dtype=a.dtype)

r = np.zeros((rows,cols),dtype=a.dtype)

m=cv2.merge([b,g,r])

 

10、图像加法
##超过255则为0

result1= img1 + img2

 

##超过255则为255

result2=cv2.add(img1, img2)

 

##图像带权重融合，第5个参数为偏移量

result=cv2.addWeighted(img1,0.5,img2,0.5, 0)

 

11、图像类型转换
##彩色图转灰度图

img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

 

##BGR图转RGB图（重点：opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反）

img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)

 

##灰度图转BGR图,每个通道都是之前的灰度值

img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)

 

12、图像缩放 （宽、高）
##图片缩放->(200,100)

img2=cv2.resize(img1, (200, 100))

 

##按比例缩放->(0.5,1.2)

img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))

 

##按比例缩放，参数版

img2=cv2.resize(img1, None, fx=1.2, fy=0.5)

 

13、图像翻转
img2=cv2.flip(img1, 0) #上下翻转

img2=cv2.flip(img1, 1) #左右翻转

img2=cv2.flip(img1, -1) #上下、左右翻转

 

14、图像移动、旋转、缩放
##图像移动=>(100,200)

M = np.float32([[1, 0, 100], [0, 1, 200]])

b=cv2.warpAffine(img1, M, (height, width))

 

##图像中心、旋转45度、缩放0.6

M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6)

img2=cv2.warpAffine(img1, M, (height, width))

 

##图像菱形转换

p1=np.float32([[0,0],[cols-1,0],[0,rows-1]]) #左上角、右上角、左下角

p2=np.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]])

M=cv2.getAffineTransform(p1,p2)

dst=cv2.warpAffine(img,M,(cols,rows))

 

15、图像阈值转换 、二值化
r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化，阈值127,r为返回阈值，b为二值图

r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化

r,b=cv2.threshold(a,127,255,cv2.THRESH_BINARY) #低于threshold则为0

r,b=cv2.threshold(a,127,255,cv2.THRESH_BINARY_INV) #高于threshold则为0

r,b=cv2.threshold(a,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold

 

16、图像平滑处理
##均值滤波

img2=cv2.blur(img1, (5, 5))  #sum(square)/25

 

##normalize=1 均值滤波,normalize=0 区域内像素求和

img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)

 

##高斯滤波,第三个参数是方差,默认0计算公式： sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数)

img1=cv2.GaussianBlur(img, (3, 3), 0)  #距离像素中心点近的权重较大，以高斯方式往四周分布

 

##中值滤波,效果非常好?

img1=cv2.medianBlur(img,3)  #获得中心点附近像素排序后的中值

 

17、形态学操作
##图像腐蚀，k为全1卷积核

k=np.ones((5,5),np.uint8)

img1=cv2.erode(img, k, iterations=2)

 

##图像膨胀

k=np.ones((5,5),np.uint8)

img1=cv2.dilate(img, k, iterations=2)

 

##图像开运算 （先腐蚀后膨胀），去掉图形外侧噪点

k=np.ones((5,5),np.uint8)

img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)

 

##图像闭运算（先膨胀后腐蚀） ，去掉图形内侧噪点

k=np.ones((5,5),np.uint8)

img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)

 

##图像梯度运算（膨胀-腐蚀）

k=np.ones((5,5),np.uint8)

img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)

 

##高帽运算 （原图-开运算），获得图形外噪点

k=np.ones((5,5),np.uint8)

img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)

 

##黑帽运算（闭运算-原图），获得图像内噪点

k=np.ones((10,10),np.uint8)

img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)

 

18、图像梯度，边缘提取
##sobel梯度边缘提取，卷积核竖向[[-1,-2,-1][0,0,0][1,2,1]] 

sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #横向边缘提取

sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #竖向边缘提取

sobelx = cv2.convertScaleAbs(sobelx) # 负值取正，图像展示只能有正值

sobely = cv2.convertScaleAbs(sobely)

sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #图像融合

 

##scharr梯度边缘提取，卷积核竖向[[-3,-10,-3][0,0,0][3,10,3]] ，scharr比sobel卷积核过滤出更多细节

scharrx = cv2.Scharr(o,cv2.CV_64F,1,0)

scharry = cv2.Scharr(o,cv2.CV_64F,0,1)

scharrx = cv2.convertScaleAbs(scharrx) # 负值取正

scharry = cv2.convertScaleAbs(scharry)

scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #图像融合

 

## 拉普拉斯梯度,边缘提取版本1 , 拉普拉斯图像梯度 [[0,1,0][1,-4,1][0,1,0] ]

img1 = cv2.Laplacian(img, cv2.CV_64F)

img1 = cv2.convertScaleAbs(img1)

 

##拉普拉斯梯度,边缘提取版本2，结果略有不同

f=np.array([[0,1,0],[1,-4,1],[0,1,0]])

img1=cv2.filter2D(img, -1, f)

 

19、canny边缘检测
##canny边缘检测理论

                                               sobel梯度大小：0.5|x|+0.5|y|

         高斯滤波                             梯度方向：arctan(y/x)                       同方向上保留最大梯度              

去噪------------------------->梯度------------------------------------->非极大值抑制---------------------------->

         跟高阈值连通的线会保留

滞后阈值--------------------->out

 

##canny边缘检测代码

img1 = cv2.Canny(img,100,200) #参数：图片、低阈值、高阈值

 

20、图像金字塔
##图片向下采样，高斯滤波 1/2 删掉偶数列

img1 = cv2.pyrDown(img)

 

##图片向上采样 ，面积*2 高斯滤波*4 ，下采样为不可逆运算

img3=cv2.pyrUp(img2)

 

##计算拉普拉斯金字塔

img1 = cv2.pyrDown(img) #下采样

img2=cv2.pyrUp(img1) #上采样

img3=img-img2

 

21、图像轮廓标注
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度图转化

dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化

image_,contours,hierarchy=cv2.findContours(img_bin,mode=cv2.RETR_TREE,

                                            method=cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓

to_write=img.copy() #原始图像copy，否则会在原图上绘制

ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #红笔绘制图像轮廓

 

22、直方图
##matplotlib 绘制直方图

plt.hist(img.ravel(),256)

 

##用opencv计算直方图列表

hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])

 

##掩膜提取局部直方图

pad=np.zeros(img.shape,np.uint8)

pad[200:400,200:400]=255

hist_MASK=cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])

 

##opencv 交、并、补、异或操作

masked_img=cv2.bitwise_and(img,mask)

 

##直方图均衡化原理

图像直方图->直方图归一化->累计直方图->*255 x坐标映射->对原来的像素值进行新像素值编码

 

##直方图均衡化调用

img1=cv2.equalizeHist(img)

 

##matplotlib绘制图片前通道转换

img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性

 

##matplotlib多图绘制在一个面板上

plt.subplot(‘221‘),plt.imshow(img,cmap=plt.cm.gray),plt.axis(‘off‘),plt.title(‘original‘)

plt.subplot(‘222‘), plt.imshow(img1, cmap=plt.cm.gray), plt.axis(‘off‘)

plt.subplot(‘223‘), plt.hist(img.ravel(),256)

plt.subplot(‘224‘), plt.hist(img1.ravel(), 256)

 

23、图像傅里叶变换（空间域=>频域）
##图像傅里叶变换 （转化为虚数，实部为幅度，虚部为频率）

fft=np.fft.fft2(img)

fft_center=np.fft.fftshift(fft)

fft_flect=20*np.log(np.abs(fft_center))

 

##图像傅里叶逆变换

fft_left=np.fft.ifftshift(fft_center)

ifft=np.fft.ifft2(fft_left)

img_f=np.abs(ifft)

 

##高通滤波

h_c,w_c=round(h/2),round(w/2)

fft_center[h_c-10:h_c+10,w_c-10:w_c+10]=0  #原图操作，低频信号归0

 

##opencv 傅里叶变换

dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)

fft_center=np.fft.fftshift(dft)

 

##opencv 低通滤波

mask=np.zeros((h,w,2),dtype=np.uint8)    #定义掩膜

h_c,w_c=round(h/2),round(w/2)

R=20

mask[h_c-R:h_c+R,w_c-R:w_c+R]=1

dshift=fft_center*mask       #点乘，保留低频信号

 

##opencv 傅里叶反变换

fft_left=np.fft.ifftshift(dshift)

ifft=cv2.idft(fft_left)

img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2）
————————————————
版权声明：本文为CSDN博主「黑暗骑士V」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/JsonD/article/details/84983702