OpenCv基础（二）

wyyt1202

已于 2024-01-04 11:58:16 修改

阅读量1k

点赞数 25

分类专栏： OpenCv 文章标签： opencv 人工智能计算机视觉

于 2024-01-03 09:37:01 首次发布

本文链接：https://blog.csdn.net/2301_80552152/article/details/135355641

版权

OpenCv 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

OpenCv基础（二）

文章目录

OpenCv基础（二）
- 三、图像运算和基本变换

三、图像运算和基本变换

OpenCv用mat这种数据结构来表示图片
但在python中，把mat转化为了numpy的ndarray数据格式
ndarray数据格式的主要属性：size,shape,dtype

1.1 拷贝

深拷贝img.copy、浅拷贝img.view

import cv2
import numpy as np

img = cv2.imread('../my_work/01.png')
# 浅拷贝
img2 = img.view()
# 深拷贝
img3 = img.copy()

img[10:100,10:100] = [0,0,255]
cv2.imshow('img',np.hstack((img,img2,img3)))	# 横着将几张图片拼接在一起
# cv2.imshow('img',np.vstack((img,img2,img3)))	# # 竖着将几张图片拼接在一起
cv2.waitKey(0)
cv2.destroyAllWindows()

1.2 图像的分割与融合

split(img):
- img:待分割图像
merge(mv):
- mv:合并图像数组

import cv2
import numpy as np

img = np.zeros((200,200,3),np.uint8)

# 分割通道，分成rgb三个通道
b,g,r = cv2.split(img)
# 修改指定通道的部分区域颜色
b[10:100,10:100] = 255
g[10:100,10:100] = 255
# 再合并通道
img2 = cv2.merge((b,g,r))

cv2.imshow("img",np.hstack((img,img2)))
cv2.waitKey(0)
cv2.destroyAllWindows()

1.3 绘制图形

绘制直线：cv2.line(img,pt1,pt2,color,thickness,lineType,shift)
- img:绘制在img图像上
- pt1:起始点
- pt2:终止点
- color:线条颜色
- thickness:线条粗细，值 = -1时表示填充
- lineType:线条类型
- shift:缩放参数
绘制矩形框：cv2.rectangle()参数同上
绘制圆形：cv2.circle(img,center,radius,color[,thickness,lineType,shift])
- center:中心点
- radius:半径
绘制椭圆：cv2.ellipse(img,center,axes,angle,startAngle,endAngle.....)
- axes:长轴及短轴的一半
- angle:椭圆旋转的角度
- startAngle:绘制椭圆起始角度
- endAngle:绘制椭圆终止角度
多边形：cv2.polylines(img,pts,isClosed,color,thickness)
- pts:为多边形的点集，必须为int32类型
- isClosed:是否闭合，值为bool类型
填充多边形：cv2.fillPoly(img,pts,color,thickness)
绘制文本：cv2.putText(img,str,org,fontFace,fontScale,color)
- str:绘制的文字
- org:文字起始坐标
- fontFace:文字格式
- fontScale:文字大小

代码示例：

import cv2
import numpy as np

img = np.zeros((640,480,3),np.uint8)
# 直线
cv2.line(img,(10,20),(300,400),(0,0,255),5,4)
cv2.line(img,(80,100),(380,480),(0,0,255),5,16)     # 有锯齿状

img2 = np.zeros((640,480,3),np.uint8)
# 矩形
cv2.rectangle(img2,(10,20),(250,460),(0,255,0),5,4)
# 圆
cv2.circle(img2,(240,320),150,(0,255,0),4)

# 椭圆
cv2.ellipse(img2,(240,320),(100,50),0,0,360,[0,0,255])

# 多边形
# pts多边形的点集，必须是int32位
pts = np.array([[(300,10),(150,100),(50,100)]],np.int32)
cv2.polylines(img2,pts,True,(0,0,255),4)

# 填充多边形
cv2.fillPoly(img2,pts,(0,0,255),4)

# 绘制文本,opencv不能绘制中文字体，可以使用pillow包
cv2.putText(img2,'love',(100,120),cv2.FONT_HERSHEY_COMPLEX,3,(0,0,255))


cv2.imshow('draw2',img2)
cv2.imshow('draw',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用pillow绘制中文

from PIL import ImageFont,ImageDraw,Image
img = np.full((500,500,3),fill_value=255,dtype=np.uint8)
font = ImageFont.truetype('下载的字体格式路径')
img_pil = Image.fromarray(img)

draw = ImageDraw.Draw(img_pil)
draw.text((100,250),"我爱你",font=font,fill=(0,255,0,0))
img = np.array(img_pil)

cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.4 图像的基本运算

加法：cv2.add(img1,img2)，像素相加超过255，会变成255，也就是白色
- 图片还能与单个数字进行运算,每个与100进行加法运算，超出255会被截断，相当于%255
减法：cv2.subtract(img1,img2)，减完小于0，变为0
乘法：cv2.multiply(img1,img2)，超过255，会变成255
除法：cv2.divide(img1,img2)，小于0，变为0

import cv2

img1 = cv2.imread('../my_work/01.png')
img2 = cv2.imread('../my_work/02.png')

# 将尺寸变为一致
new_img1 = cv2.resize(img1,(img2.shape[:-1][::-1]))

# 加法,两个图片的尺寸相同，维数相同
img_add = cv2.add(img1,img2)    # 像素相加超过255，会变成255，也就是白色

# 图片还能与单个数字进行运算,每个与100进行加法运算，超出255会被截断，相当于%255
img3 = img2+100

# 减法,减完小于0，变为0
img4 = cv2.subtract(new_img1,img2)

# 乘法
img5 = cv2.multiply(img1,img1)

# 除法
img6 = cv2.divide(img1,img2)

cv2.imshow('img1_img2',cv2.hconcat((new_img1,img2)))
cv2.imshow('add',img_add)
cv2.imshow('img+n',img3)
cv2.imshow('subtract',img4)
cv2.imshow('img1*img2',img5)
cv2.imshow('img1/img2',img6)

cv2.waitKey()
cv2.destroyAllWindows()

1.5 图像的加法融合

相当于拿图片做了线性运算，new_img = img1*w1 + img2*w2 + bias
- w1、w2分别为img1和img2所占权重，bias为常数偏置

import cv2
import numpy as np

# 图像融合相当于拿图片做了线性运算，new_img = img1*w1 + img2*w2 + bias
img1 = cv2.imread('../my_work/01.png')
img2 = cv2.imread('../my_work/02.png')
# 将尺寸变为一致
new_img1 = cv2.resize(img1,(img2.shape[:-1][::-1]))

concat = cv2.addWeighted(new_img1,1.2,img2,0.5,-100)

cv2.imshow('img1_img2',cv2.hconcat((new_img1,img2)))
cv2.imshow('concat',concat)

cv2.waitKey()
cv2.destroyAllWindows()

1.6 位运算

OpenCv中的逻辑运算—与或非、异或
- 也就是对应位置元素进行与或非、异或；即对应像素的灰度值转化为二进制进行位运算，再转化为灰度值
- 0反过来就是255
非运算：相当于255-img
- cv2.bitwise_and(img1,img2)
或运算：
- cv2.bitwise_or(img1,img2)
异或运算：
- cv2.bitwise_xor(img1,img2)

import cv2
import numpy as np

img1 = cv2.imread('../my_work/01.png')
img2 = cv2.imread('../my_work/02.png')

# 非运算,相当于255-img
img1_not = cv2.bitwise_not(img1)

# 与运算,形状要求相同
img1_and_img2 = cv2.bitwise_and(img1,img2)
print(img1[:2,:2])
print(img2[:2,:2])
print(img1_and_img2[:2,:2])

# 或运算
img1_or_img2 = cv2.bitwise_or(img1,img2)

# 异或运算
img1_xor_img2 = cv2.bitwise_xor(img1,img2)

cv2.imshow('not',np.hstack((img1,img1_not)))
cv2.imshow('and',np.hstack((img1,img1_and_img2,img2)))
cv2.imshow('or',np.hstack((img1,img1_or_img2,img2)))
cv2.imshow('xor',np.hstack((img1,img1_xor_img2,img2)))
cv2.waitKey()
cv2.destroyAllWindows()

1.7 resize操作

cv2.resize(src,dsize[,dst[,fx,[,fy[,interpolation]]]])
- src：要缩放的图片
- dsize：缩放之后的大小，元组和列表表示均可，先宽后高（w,h）
- dst：可选参数，缩放之后的输出图片
- fx，fy：x轴和y轴的缩放比，即宽度和高度的缩放比
- interpolation：插值算法，主要为：
  - INTER_NEAREST，邻近插值，速度快、效果差
  - INTER_LINEAR，双线性插值，默认，需要用原图4个点
  - INTER_CUBIC，三次插值，需要用原图16个点
  - INTER_AREA，区域插值，效果最好、计算时间长

import cv2
import numpy as np

# resize(src,dsize[,dst[,fx,[,fy[,interpolation]]]])
img1 = cv2.imread('../my_work/01.png')
img2 = cv2.imread('../my_work/02.png')

# resize是先宽后高
img1_new = cv2.resize(img1,(img2.shape[:-1][::-1]))
print(img2.shape)
print(img2.shape[:-1])
print(img2.shape[:-1][::-1])

cv2.imshow('img1_new',cv2.hconcat((img1_new,img1)))
cv2.waitKey()
cv2.destroyAllWindows()

1.8 图像的旋转

翻转cv2.flip(src,flipCode)
- flipCode = 0 表示上下翻转
- flipCode > 0 表示左右翻转
- flipCode < 0 表示上下左右翻转
旋转cv2.rotate(src,rotateCode)
- rotateCode = cv2.ROTATE_90_CLOCKWISE 表示90°顺时针旋转
- rotateCode = cv2.ROTATE_180 表示180°顺时针旋转
- rotateCode = cv2.ROTATE_90_COUNTERCLOCKWISE 表示90°逆时针旋转

import cv2

img1 = cv2.imread('../my_work/01.png')
img2 = cv2.imread('../my_work/02.png')

img1_new = cv2.flip(img1,0)
img2_new = cv2.rotate(img2,cv2.ROTATE_90_CLOCKWISE)

cv2.imshow('img1_flip',cv2.hconcat((img1_new,img1)))
# 旋转90度后宽高不一致
cv2.imshow('img2_rotate',img2_new)
cv2.imshow('img2',img2)

cv2.waitKey()
cv2.destroyAllWindows()

1.9 图像的仿射变换—图像平移

仿射变换是图像旋转、缩放、平移的总称。具体做法是通过一个变换矩阵和原图片进行计算，得到新的坐标，完成变换，所以仿射变换的关键是变换矩阵的计算。
cv2.warpAffine(src,M,dsize,flags,mode,value)
- M：变换矩阵
- dsize：输出图片大小
- flags：与resize中的插值一致
- mode：边界外推法标志
- value：填充边界值
平移矩阵
- 矩阵中的每个元素由(x,y)组成，(x,y)表示这个像素的坐标，假设沿x轴平移t_x，沿y轴平移t_y，那么最后得到的坐标为 $(\check{x}$ , $\breve{y}$ ) = (x+t_x,y+t_y)，用矩阵表示：

$\large \begin{bmatrix} \check{x}\\ \breve{y}\\ 1\\ \end{bmatrix} =\begin{bmatrix} 1&0&t_x\\ 0&1&t_y\\ 0&0&1\\ \end{bmatrix} \begin{bmatrix} x\\ y\\ 1\\ \end{bmatrix}$

import cv2
import numpy as np

img1 = cv2.imread('../my_work/01.png')

# 获取原图片的尺寸与通道数
h,w,c = img1.shape
# 定义变换矩阵
M = np.float32([[1,0,100],[0,1,0]])
# OpenCV的图片尺寸是先宽后高
new = cv2.warpAffine(img1,M,(w,h))  # 平移操作

cv2.imshow("new",new)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.10 仿射变换—获取旋转变换矩阵

OpenCv中提供了计算变换矩阵的API
cv2.getRotationMatrix2D(center,angle,scale)
- center：中心点，以图片的哪个点作为旋转中心
- angle：角度，旋转的角度，按逆时针旋转
- scale：缩放比例
cv2.getAffineTransform(src[],dst[])，通过三点可以确定变换后的位置，相当于解方程，三个点对应三个方程，解出偏移参数与旋转角度
- src：原目标三个点([ , ],[ , ],[ , ])
- dst：变换后三个点([ , ],[ , ],[ , ])

import cv2

img1 = cv2.imread('../my_work/01.png')

# 获取原图片的尺寸与通道数
h,w,c = img1.shape
# 1.获取变换矩阵
M = cv2.getRotationMatrix2D((w/2,h/2),15,1.0)
# 2.获取变换矩阵
src = np.float32([[200,100],[50,100],[40,90]])
dst = np.float32([[200,120],[80,110],[80,50]])
M2 = cv2.getAffineTransform(src,dst)

new = cv2.warpAffine(img1,M,(w,h))  
new2 = cv2.warpAffine(img1,M2,(w,h)) 

cv2.imshow("new",new)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.11 透视变换

将一种坐标系变成另一种坐标系。简单来说就是把一张斜图变正
warpPerspecctive(img,M,dsize,....)
- 对于透视变换来说，M是一个3*3的矩阵
getPerspectiveTransform(src,dst)获取透视变换矩阵，需要4个点，即图片的4个角
- src、dst = ([ , ],[ , ],[ , ],[ , ])

import cv2
import numpy as np

img1 = cv2.imread('../my_work/01.png')

print(img1.shape)
# src是原图的4个坐标，dst是变换后的坐标
src = np.float32([[100,100],[200,100],[0,300],[250,290]])
dst = np.float32([[0,0],[210,0],[0,320],[250,290]])
# 获取变换矩阵
M = cv2.getPerspectiveTransform(src,dst)
# 透视变换
img1_new = cv2.warpPerspective(img1,M,(400,400))

cv2.imshow("new",img1_new)
cv2.waitKey(0)
cv2.destroyAllWindows()

dst = ([ , ],[ , ],[ , ],[ , ])

import cv2
import numpy as np

img1 = cv2.imread('../my_work/01.png')

print(img1.shape)
# src是原图的4个坐标，dst是变换后的坐标
src = np.float32([[100,100],[200,100],[0,300],[250,290]])
dst = np.float32([[0,0],[210,0],[0,320],[250,290]])
# 获取变换矩阵
M = cv2.getPerspectiveTransform(src,dst)
# 透视变换
img1_new = cv2.warpPerspective(img1,M,(400,400))

cv2.imshow("new",img1_new)
cv2.waitKey(0)
cv2.destroyAllWindows()