Opencv基础

opencv基础

一 参考教程：

• 菜鸟教程：
  优：较为全面，代码有现成的
  缺点：图画较少，要自己本地找些例子跑一跑
• b站快速入门opencv

二 图像基本操作

这个模块你将学习到::imshow(图片展示),imwrite(图片写入),imread(读取图片)

import cv2

_photo=cv2.imread("./saved_image.jpg")

if _photo is None:
    print("图片没有找到")

# cv2.imshow("display",_photo)
(h,w)=_photo.shape[:2]
# print((h,w))
# cv2.waitKey(0)#如果没有这一行，直接跑的话，你会发现窗口一闪而过

cv2.imwrite("saved_30.jpg",_photo,[cv2.IMWRITE_JPEG_QUALITY,30])

#笔者突然好奇jpeg压缩质量差别真的很大吗？如下实验：
#实验1：
_photo1=cv2.imread("saved_30.jpg")
#_rephoto=cv2.resize(_photo1,(w,h))#注意这个resize的（w，h）顺序时候shape返回顺序相反
result=cv2.subtract(_photo,_photo1)#发现相减之后全是黑色,但其实并不能说明两者就是相同（虽然哪怕视觉效果也不大明显）
#实验二：
diff=cv2.absdiff(_photo,_photo1)


# result=cv2.bitwise_or(_photo,_rephoto)
#result=cv2.addWeighted(_photo,0.7,_rephoto,0.3,0)
cv2.imshow("display",result)
cv2.imshow("diff",diff*10)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/7791da756c6a4081a9ddcfb7d1e61099.png)
diff跑出来的结果:

二.图像阈值处理

import cv2

_photo=cv2.imread("image.png")
#简单阀值处理
_hphoto=cv2.cvtColor(_photo,cv2.COLOR_BGR2GRAY)#变为灰度，因为黑白之间更容易分辨
ret,thresh2=cv2.threshold(_hphoto,100,255,cv2.THRESH_BINARY)

#自适应阀值处理
thresh1=cv2.adaptiveThreshold(_hphoto,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)#如果用photo会发现发现报错，因为photo是彩色

#二值化
ret1,thresh3=cv2.threshold(_hphoto,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
cv2.imshow("Binary Threshold",thresh3)
cv2.waitKey(0)
cv2.destroyAllWindows()

声明:图片来自上述B站视频截图

1原始图片:

2简单阈值

3自适应阈值

二值化(适合双峰处理,黑白分明)

关于代码中各个函数参数的解释:

以下是转换为 Markdown 格式的内容：

图像二值化相关参数说明

一、自适应阈值处理（cv2.adaptiveThreshold）

输入要求：

• _hphoto：输入图像，必须为单通道灰度图像（uint8 类型）。若输入彩色图像，需先用 cv2.cvtColor 转换为灰度图，否则会报错。

参数说明：

1. 255

   • 阈值最大值。超过阈值的像素值将设置为该值（即白色）。

2. cv2.ADAPTIVE_THRESH_GAUSSIAN_C

   • 自适应阈值计算方法：
     • cv2.ADAPTIVE_THRESH_MEAN_C：使用邻域内像素的均值减去常量 C 作为阈值。
     • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：使用邻域内像素的加权均值（权重为高斯分布减去常量 C 作为阈值。

3. cv2.THRESH_BINARY

   • 阈值类型：
     • cv2.THRESH_BINARY：像素值 > 阈值时，设置为最大值（255）；否则设置为 0。
     • cv2.THRESH_BINARY_INV：与 cv2.THRESH_BINARY 逻辑相反（像素值 > 阈值时设为 0，否则设为 255）。

4. 11

   • 邻域大小（blockSize）：计算阈值的像素邻域大小，必须为奇数（如 3、5、7 等）。
     • 例：11 表示以每个像素为中心，取 11×11 的邻域计算阈值。

5. 2

   • 常量 C：从计算出的阈值中减去的值，用于微调结果。
     • C > 0：阈值降低；C < 0：阈值升高。

简单的说就是把一个图片分成若干个区域，将每个区域取平均来计算

二、大津算法自动阈值处理（cv2.threshold + cv2.THRESH_OTSU）

输入要求：

• _hphoto：输入图像，必须为单通道灰度图像（uint8 类型）。

参数说明：

1. 0
   • 固定阈值。当使用 cv2.THRESH_OTSU 时，此值会被忽略，OpenCV 自动计算最佳阈值。
2. 255
   • 阈值最大值。超过阈值的像素值将设置为该值（即白色）。
3. cv2.THRESH_BINARY + cv2.THRESH_OTSU
   • 阈值类型组合：
     • cv2.THRESH_BINARY：像素值 > 阈值时设为 255，否则设为 0。
     • cv2.THRESH_OTSU：使用大津算法自动计算最佳阈值，适用于双峰图像（前景和背景像素值分布明显）。
4. 返回值：
   • ret1：自动计算出的最佳阈值（仅在使用 cv2.THRESH_OTSU 时返回）。
   • thresh3：二值化后的图像。

总结：

• 自适应阈值处理适用于局部光照不均匀的图像，通过邻域计算动态调整阈值。
• 大津算法适用于全局光照均匀且前景/背景分布明显的图像，自动获取最优全局阈值。（前景后景的解释我也暂时还不理解，欢迎指教）

四 平滑处理

import cv2

_photo=cv2.imread("./image.png")
blurred_img=cv2.blur(_photo,(5,5))#均值模糊
Gau_img=cv2.GaussianBlur(_photo,(5,5),0)#高斯模糊
comined_img=cv2.hconcat([_photo,blurred_img])#双边模糊

cv2.imshow("display",comined_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

首先算法作用是类似的，刚入门的时候还暂时做不到依照特定场景使用特定的方法（起码我是这样的）

形象化理解（ai的解释，非常好，供参考）：

1. 高斯模糊降噪（Gaussian Blur） 🌀

📌 费曼解释

高斯模糊就像戴上一副轻度磨砂的眼镜看图像——它通过加权平均周围像素来平滑图像，减少噪点（比如照片上的小颗粒）。

🔧 参数含义

blurred = cv2.GaussianBlur(gray, (5, 5), 0)  

• (5, 5)：高斯核的大小（宽度和高度），必须是正奇数（如3×3、5×5）。
  • 值越大，图像越模糊（比如(11,11)会更模糊）。
• 0：标准差（SigmaX）。
  • 如果设为0，OpenCV会根据核大小自动计算。
  • 手动设置时，值越大，模糊效果越明显。

🌰 生活类比

想象用喷雾瓶在玻璃上喷水雾：

• 核大小 = 喷雾的范围（喷得越广，玻璃越模糊）。
• 标准差 = 喷雾的密度（喷得越密，模糊效果越均匀）。

2. 定义核（Kernel） ⬛

📌 费曼解释

核是一个小矩阵，像一把小刷子，在图像上滑动做数学运算。它决定了形态学操作（如腐蚀、膨胀）的效果范围。

🔧 代码示例

kernel = np.ones((3, 3), np.uint8)  # 3×3的全1矩阵  

• (3, 3)：核的尺寸。3×3表示每次处理3×3像素的区域。
• np.uint8：数据类型（无符号8位整数）。

🌰 生活类比

核就像不同形状的印章：

• np.ones((3,3))是一块方形印章，覆盖3×3区域。
• 如果用cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))，会得到一个圆形印章。

五 形态学操作

形态学常用的操作：腐蚀（相当于用硫酸倒在纸上，主要视觉效果是让边缘部分变细）；膨胀（顾名思义，边缘变粗）；开运算和闭运算（我实验的图效果不太明显）；梯度操作（可以看到明显的轮廓边缘）

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.png', 1)

# 定义结构元素
kernel = np.ones((10,10), np.uint8)

# 腐蚀操作
eroded_image = cv2.erode(image, kernel, iterations=1)#腐蚀
_oopen_morphology_imge=cv2.morphologyEx(image,cv2.MORPH_OPEN,kernel)#开运算
_close_morphlogy_image=cv2.morphologyEx(image,cv2.MORPH_CLOSE,kernel)#闭运算
dilate_image = cv2.dilate(image, kernel, iterations=1)#膨胀
_grand_morphlogy_image=cv2.morphologyEx(image,cv2.MORPH_GRADIENT,kernel)#形态学梯度


# 显示结果
cv2.imshow('Eroded Image', eroded_image)
cv2.imshow('open_',_oopen_morphology_imge)
cv2.imshow('_close',_close_morphlogy_image)
cv2.imshow('dilate',dilate_image)
cv2.imshow('_grand',_grand_morphlogy_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

关于梯度运算在边缘运算中的使用

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)

# 计算 x 方向的梯度
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)

# 计算 y 方向的梯度
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
#CV_64F什么意思
# 计算梯度幅值
sobel_combined = np.sqrt(sobel_x**2 + sobel_y**2)
#combine起来为什么这么奇怪
# 显示结果
cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()

沿着Y轴：

combine后：