Opencv笔记（1）

Opencv笔记

1—计算机眼中的图像

图像由像素（pixel）点构成，像素点是一个值，在0-255之间浮动，表示亮度

0黑的，255白的

RGB图像的颜色通道R：Red；G：Green；B：Blue

注意：opencv中使用的颜色通道顺序为BGR而不是RGB

黑白图又叫灰度图GRAYSCALE只有一个通道表示亮度

有下面三种类型的图像（彩色图像、灰度图像、黑白图像）

矩阵大小代表图像大小500*500  【500，500，3】3:表示在每个颜色通道上都有500*500

应当注意，图像中有多少像素并不表示其物理尺寸(一个像素不等于一毫米)。相反，像素的大小取决于为该图像设置的每英寸像素数 (Pixels Per Inch, PPI)。图像的 PPI 一般设置在 [200-400] 范围内。

计算PPI的基本公式如下：

PPI=宽度(像素) / 图像宽度(英寸)

PPI=高度(像素) / 图像高度(英寸)

如何访问各个像素

像素索引起始值为0，左上角为（0，0）而不是（1，1）

1-数据读取-图片

import cv2
import matplotlib.pyplot as plt
import numpy as np

img=cv2.imread('dabai.jpg')#相对路径
cv2.imshow('1',img)#打开图像一定要创建一个窗口
cv2.waitKey(0)#0表示任意键终止
或cv2.waitKey(1000)#毫秒级
cv2.destroyAllWindows( )

#显示图像的大小信息
h,w,c=img.shape#高，宽，通道数（注意：highth在前，width在后）
image_size=img.size#(高*宽*通道数)
image_dtype=img.dtype#图像的数据类型
print(h,w,c)#注意显示灰度图时会报错，应为因为通道数1个，不会显示

用opencv将图像转化为RGB格式(matplotlib格式)

opencv默认读取的是BGR格式而不是RGB格式

b,g,r=cv2.split(img) #分割颜色通道
b,g,r=cv2.split(img)
print(b)
print(b.shape)
img_matplotlib=cv2.merge([r,g,b])#转换颜色通道

·用matplotlib展示图像plt.subplot(m,n,p) m*n网格图中，m行数，n列数，p位置

plt.subplot(1,2,1)
plt.imshow(img)
plt.subplot(1,2,2)
plt.imshow(img_matplotlib)
plt.show()

·用opencv展示图像

cv2.imshow(‘bgr image’,img)
cv2.imshow(‘rgb image’,img_matplotlib)
cv2.waitKey(0)
cv2.destroyAllWindows()

·用numpy的concatenate（）来拼接opencv中两个窗口的图像

img_concats=np.concatenate((img,img_matplotlib),axis=1)
cv2.imshow(‘brg image and rgb image’,img_contats)
cv2.waitKey(0)
cv2.destroyAllWindows（）

用cv2.split（）分割颜色通道比较耗时；所以建议用numpy索引来获取颜色通道

B=img[:,:,0]
G=img[:,:,1]
R=img[:,:,2]#0,1,2分别是b,g,r的索引

另一个需要注意的是，可以使用 NumPy 在一条语句中将图像从 BGR 转换为 RGB：

img_matplotlib = img_OpenCV[:, :, ::-1]

简化过程

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()#函数要放在函数调用的前面

彩色图转化为灰度图

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray_img =cv2.imread(‘路径’，cv2.IMREAD_GRAYSCALE)

两种应该都可以

保存图像

cv2.imwrite(‘路径名’，img)

彩色图像访问操作Opencv中的像素

·访问像素

(b,g,r)=img[6,40]#访问（x=40，y=6）处的像素，存储信息

·opencv一次只能访问一个通道

b = img[6, 40, 0]

·更改像素值

img[6, 40] = (0, 0, 255)

·图像切片

top_left_corner = img[0:50, 0:50]#获取图像左上角

针对灰度图：

gray_img[6, 40] = 0

更改为黑色，强度为0

2-数据读取-视频

import cv2
vc=cv2.VideoCapture('1.mp4')
if vc.isOpened():#检查是否打开正确
    open,frame=vc.read()#open是一个bool类型的值
else:
    open=False
while open:
    ret,frame=vc.read()
    if frame is None:
        break
    if ret==True:
        gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
        cv2.imshow('result',gray)
    if cv2.waitKey(10) & 0xFE ==27:#1会太快了
        break
vc.release()
cv2.destroyAllWindows()

ROI区域你感兴趣的区域

import cv2
import matplotlib.pyplot as plt
import numpy as np

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
img=cv2.imread('dabai.jpg')
dabai=img[0:200,0:200]
cv_show('dabai',dabai)

·图像变成红色/绿色/蓝色

#只保留R
cur_img=img.copy()
cur_img[:,:,0]=0#B通道0
cur_img[:,:,1]=0#G通道设为0
cv_show('R',cur_img)

3-边界填充

格式：cv.copyMakeBorder(img,top, bottom, left, right ,borderType)

参数：

img: 需要填充的图像

top: 上边界填充像素

bottom: 下边界填充像素

left: 左边界填充像素

right: 右边界填充像素

borderType: 图像填充的方法

复制法：复制最边缘像素

# 读取图片
img = cv2.imread("picture2.jpg")

# 填充像素
top_size = 50
bottom_size = 50
left_size = 50
right_size = 50

# Replicate (复制法)
replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
cv2.imshow("replicate", replicate)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果：

反射法：对图像边缘像素进行反射

reflect=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_REFLECT)

 输出结果：

反射法101:以边界为中心点，对图像边缘像素进行反射

reflect101=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_REFLECT_101)

输出结果：

外包法：用相反位置对图像进行包裹

wrap=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_WRAP)

输出结果：

常量法：用常数值填充. 需要设置一个 value 值，代表填充的颜色.

constant=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_CONSTANT, value=0)#这边设置的黑色

输出结果：

用matplotlib展示图像

plt.imshow(data, cmap='viridis', interpolation='nearest') 
plt.colorbar() # 显示颜色条 
plt.title('Example Image') # 设置标题 
plt.xlabel('X Axis') # 设置X轴标签 
plt.ylabel('Y Axis') # 设置Y轴标签 
plt.show()

这边可以用plt.subplot(2,3,x)来进行6张图的多图展示

4-数值计算

img=cv2.imread('2.png')

print(img)
img2=img+10
print(img2)#每个数值都加10

print((img+img2)[:5,:,0])
#numpy中的处理：如果越界255，如294，就进行294%256余38
cv2.add(img,img2)[:1,:,0]
#opencv中如果超出255，即以255显示

图像融合

img1=cv2.imread('2.png')
img2=cv2.imread('dabai.jpg')
print(img1.shape)
print(img2.shape)
img3=cv2.resize(img1,(526,673))#图像融合前一定要修改至尺寸相同cv2.resize(width,height)
res=cv2.addWeighted(img2,0.4,img3,0.6,0)#按比例融合cv2.Addweight(img1,权重,img2,权重,亮度)
plt.imshow(res)
plt.show()#用matplotlib来展示图像
print(img3.shape)
img4=cv2.resize(img1,(0,0),fx=3,fy=1)#x*3,y*1表示按比例放大缩小

风景图加大白（哈哈哈好玩）

5-腐蚀操作图像的前景对象（白色区域）的缩小和去除边缘

（是不是很好笑）

图二是腐蚀后的图像

import cv2
import numpy as np

img=cv2.imread('des2.jpg')
kernel=np.ones((5,5),np.uint8)#卷积核
erosion=cv2.erode(img,kernel,iterations=1)#iterations迭代次数
cv2.imshow('erosion',erosion)

cv2.waitKey(0)
cv2.destroyAllWindows()

腐蚀操作中的卷积核是一个用于图像处理的矩阵，通常只包含0和1的值1。

在进行腐蚀操作时，卷积核会在原始图像上滑动，每次锚点位置的像素值取卷积核覆盖的最小值。如果卷积核全部被白色覆盖，则最小值为255，否则只要卷积核内有黑色，最小值就为0。因此，腐蚀操作会使图像中的白色区域减少。

卷积核的大小和形状可以根据需要进行选择，常用的有3x3、5x5等大小的矩形或椭圆形卷积核1。

不同核大小和迭代次数都会对腐蚀操作产生影响。

示例2：

img=cv2.imread('erosion.jpg')
kernel=np.ones((30,30),np.uint8)
erosion_1=cv2.erode(img,kernel,iterations=1)
erosion_2=cv2.erode(img,kernel,iterations=2)
erosion_3=cv2.erode(img,kernel,iterations=3)
res=np.hstack((erosion_1,erosion_2,erosion_3))#将这些数组沿水平方向堆叠起来
cv2.imwrite('res.jpg',res)
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

腐蚀后图像（迭代次数分别为1，2，3）

6-膨胀操作

img=cv2.imread('fix.jpg')
kernel=np.ones((30,30),np.uint8)
tln_dilate=cv2.dilate(img,kernel,iterations=1)
cv2.imwrite('tln_dilate.jpg',tln_dilate)
cv2.imshow('tln_dilate',tln_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

和腐蚀几乎是一样的操作

7-开运算与闭运算

开运算（Opening）：

开运算是指先腐蚀后膨胀。这种操作可以用来去除图像中的小物体、填充小空洞，并且保留大物体的结构。因此，开运算常用于平滑图像、去除噪声和分割连接的对象。

闭运算（Closing）：

闭运算是指先膨胀后腐蚀。这种操作可以用来填充图像中的小空洞、连接相邻的物体，并且保留小物体的结构。因此，闭运算常用于填充物体内部的空洞、连接断开的物体以及平滑物体边缘。

kernel=np.numpy((5,5),np.uint8)
opening=cv2.morphlogyEx(img,cv2.MORPH_OPEN,kernel)
closing=cv2.morphlogyEX(img,cv2.MORPH_CLOSE,kernel)

8-梯度运算

形态学梯度是通过用图像的膨胀结果减去其腐蚀结果,得到的使用之前，确保你已经定义了适当的kernel内核

kernel=np.ones((7,7),np.uint8)
gradiant=cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)

9-礼帽和黑帽

礼帽：原始输入-开运算

黑帽：闭运算-原始运算

tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)#光剩刺了
blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
#闭运算先膨胀再腐蚀，毛刺去不掉-原始输入可以得到原始轮廓