OPEN_CV学习（一）

已于 2023-10-22 19:55:08 修改
阅读量183 收藏
点赞数 3
文章标签： 学习 opencv 计算机视觉
于 2023-10-20 20:38:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DD_Soly/article/details/133845073
版权

一、图像显示

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

img = cv2.imread('cat.jpg',0)
plt.imshow(img,'gray')

572a856e342f4f41a83a55d0b7ed7b08.png

小 TIPS

解决plt.imshow显示cv2.imread读取的图片有色差发蓝

出现的问题：

img = cv2.imrad('lina.jpg')
plt.imshow(img)

  653191e525c94a87a22cd9c9f60a82d8.png    

原因：使用cv2.imread()读取图像时，默认彩色图像的三通道顺序为B、G、R，这与我们所熟知的RGB中的R通道和B通道正好互换位置了。而使用plt.imshow()函数却默认显示图像的通道顺序为R、G、B，导致图像出现色差发蓝。

解决方法：

img = cv2.imread('lina.jpg')
def plt_show_img(image):
    b,g,r = cv2.split(image)
    img_new = cv2.merge([r,g,b])
    plt.xticks([]), plt.yticks([])
    plt.imshow(img_new)
plt_show_img(img)

7e9a692548514e7d9c7c53439ffbd16c.png

二、边界填充

top_size, bottom_size, left_size, right_size = (100, 100, 100, 100)

replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType = cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType = cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType = cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType = cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType = cv2.BORDER_CONSTANT)

plt.subplot(231), plt.imshow(img, 'gray'), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT101')
plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP')
plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT')

33a76b655cc24195b5e6d06dfa369455.png

BORDER_REPLICATE:复制最边缘像素

BORDER_REFLECT:对感兴趣的图像中的像素在两边进行复制，例如：fedcba|abcdefgh|hgfedcb

BORDER_REFLECT_101:以最边缘像素为轴，例如：hgfedcb|abcdefgh|gfedcba

BORDER_WRAP:外包装法，例如：bcdefgh|abcdefgh|abcdefg

BORDER_CONSTANT:常量法，常数值填充

三、平滑处理

1.均值滤波

相当于用nxn的一个卷积核对图像进行平均卷积操作，使一个位置的像素点与邻近像素点的值的差减小，从而减少邻近像素点之间的颜色差，进而达到平滑的效果。

#均值滤波：简单的平均卷积操作
blur_3 = cv2.blur(img, (3, 3))
blur_5 = cv2.blur(img, (5, 5))
blur_10 = cv2.blur(img, (9, 9))
blur_50 = cv2.blur(img, (51, 51))

plt.subplot(231), plt_show_img(img), plt.title('GRIGINAL')
plt.subplot(232), plt_show_img(blur_3), plt.title('blur_3')
plt.subplot(233), plt_show_img(blur_5), plt.title('blur_5')
plt.subplot(234), plt_show_img(blur_10), plt.title('blur_9')
plt.subplot(235), plt_show_img(blur_50), plt.title('blur_51')

585492161acc4319adfd2ac70b4a4de5.png

2.方框滤波

基本和均值滤波差不多，多了一个Normalize参数，若选True，则和均值滤波相同；若选False，容易出现越界。
 

#方框滤波：基本和均值一样，但可以选择归一化
box_Nor_T = cv2.boxFilter(img, -1, (3, 3), normalize=True) 
#-1表示输出结果和输入在通道上保持一致
box_Nor_F = cv2.boxFilter(img, -1, (3, 3), normalize=False)

plt.subplot(231), plt_show_img(img), plt.title('GRIGINAL')
plt.subplot(232), plt_show_img(box_Nor_T), plt.title('box_Nor_T')
plt.subplot(233), plt_show_img(box_Nor_F), plt.title('box_Nor_F')

1adb9cf104f449a9ac69e6512b1e2810.png

3.高斯滤波

离中心点越近，所占权重越高

#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
gaussian_5 = cv2.GaussianBlur(img, (5, 5), 1)

plt.subplot(231), plt_show_img(img), plt.title('GRIGINAL')
plt.subplot(232), plt_show_img(gaussian_5), plt.title('GAUSSIAN_5')

e216be193d524e6b8b9c9c0ce0063cb6.png

4.中值滤波

用规定范围内数值的中间值来替代当前位置的数值

对于噪音点来说，用中值滤波效果最明显

#中值滤波：相当于用中值代替
median = cv2.medianBlur(img, 5)
median_21 = cv2.medianBlur(img, 21)
plt.subplot(231), plt_show_img(img), plt.title('GRIGINAL')
plt.subplot(232), plt_show_img(median), plt.title('MEDIAN')
plt.subplot(233), plt_show_img(median_21), plt.title('MEDIAN_21')

4c4c63b3b0ea4ff4938138ae90902ee5.png

5展示所有

#展示所有
res = np.hstack((blur_3, gaussian_5, median))
plt_show_img(res)

98894cc86f4e45dba0c7e469fd9b946f.png

四、腐蚀操作

效果展示：

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

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

def plt_show_img(img):
    b, g, r = cv2.split(img)
    img_new = cv2.merge([r, g, b])
    plt.xticks([]),plt.yticks([])
    plt.imshow(img_new)

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

plt.subplot(231), plt_show_img(img), plt.title('ORIGINAL')
plt.subplot(232), plt_show_img(erosion), plt.title('EROSION')

d1826f9094b54b33b2e898eb3f95634f.png

原理：用kernel大小的卷积核对图像进行复试，kernel越大能腐蚀的范围也就越大，iterations是迭代次数，迭代次数越多，腐蚀的程度越深。

    1.修改迭代次数的效果:

erosion_1 = cv2.erode(img, kernel, iterations = 1)
erosion_2 = cv2.erode(img, kernel, iterations = 2)
erosion_3 = cv2.erode(img, kernel, iterations = 3)

plt.subplot(231), plt_show_img(img), plt.title('ORIGINAL')
plt.subplot(232), plt_show_img(erosion_1), plt.title('EROSION_1')
plt.subplot(233), plt_show_img(erosion_2), plt.title('EROSION_2')
plt.subplot(234), plt_show_img(erosion_3), plt.title('EROSION_3')

590b4cd56ff942abbb8d3de2c7f5e0cd.png

        2.修改卷积核大小的效果：

kernel_3 = np.ones((3, 3), np.uint8)
kernel_30 = np.ones((30, 30), np.uint8)
kernel_150 = np.ones((150, 150), np.uint8)

erosion_3 = cv2.erode(img_c, kernel_3, iterations = 1)
erosion_30 = cv2.erode(img_c, kernel_30, iterations = 1)
erosion_150 = cv2.erode(img_c, kernel_150, iterations = 1)

plt.subplot(231), plt_show_img(img_c), plt.title('ORIGINAL')
plt.subplot(232), plt_show_img(erosion_3), plt.title('EROSION_3')
plt.subplot(233), plt_show_img(erosion_30), plt.title('EROSION_30')
plt.subplot(234), plt_show_img(erosion_150), plt.title('EROSION_150')

fd0eac90847d474a9a0601592f455c0e.png

五、膨胀操作

        相当于腐蚀的逆操作

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


plt.subplot(232), plt_show_img(img), plt.title('ORIGINAL')
plt.subplot(233), plt_show_img(img_erosion), plt.title('EROSION')
plt.subplot(234), plt_show_img(img_dilate), plt.title('DILATE')

        改变卷积核大小的效果：

kernel_3 = np.ones((3, 3), np.uint8)
kernel_7 = np.ones((7, 7), np.uint8)
kernel_11 = np.ones((11, 11), np.uint8)

img_dilate_3 = cv2.dilate(img_erosion, kernel_3, iterations = 1)
img_dilate_7 = cv2.dilate(img_erosion, kernel_7, iterations = 1)
img_dilate_11 = cv2.dilate(img_erosion, kernel_11, iterations = 1)
plt.subplot(231), plt_show_img(img_dilate_3), plt.title('DILATE_3')
plt.subplot(232), plt_show_img(img_dilate_7), plt.title('DILATE_7')
plt.subplot(233), plt_show_img(img_dilate_11), plt.title('DILATE_11')

        改变迭代次数的效果：

img_dilate_1 = cv2.dilate(img_erosion, kernel, iterations = 1)
img_dilate_3 = cv2.dilate(img_erosion, kernel, iterations = 3)
img_dilate_5 = cv2.dilate(img_erosion, kernel, iterations = 5)

plt.subplot(231), plt_show_img(img_dilate_1), plt.title('DILATE_1')
plt.subplot(232), plt_show_img(img_dilate_3), plt.title('DILATE_3')
plt.subplot(233), plt_show_img(img_dilate_5), plt.title('DILATE_5')

六、开运算和闭运算

开运算：先腐蚀，再膨胀。可以去毛刺、噪声，并保留主要部分。

闭运算：先膨胀，再腐蚀。有助于关闭前景物体内部的小孔，或物体上的小黑点。

#开运算
kernel = np.ones((5, 5), np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
plt.subplot(231),plt_show_img(img)
plt.subplot(232),plt_show_img(opening)

#闭运算
kernel = np.ones((5, 5), np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

plt.subplot(231), plt_show_img(img)
plt.subplot(232), plt_show_img(closing)

 放大看还是有变化的

七、梯度运算

        膨胀运算 - 腐蚀运算，即膨胀图像减去腐蚀图像，可以得到图像轮廓。

circle = cv2.imread('circle.png')
kernel = np.ones((21, 21), np.uint8)
dilate = cv2.dilate(circle, kernel, iterations = 1)
erosion = cv2.erode(circle, kernel, iterations =1)
gradient = cv2.morphologyEx(circle, cv2.MORPH_GRADIENT, kernel)

plt.subplot(231), plt_show_img(circle), plt.title('ORIGINAL')
plt.subplot(232), plt_show_img(dilate), plt.title('DILATE')
plt.subplot(233), plt_show_img(erosion), plt.title('EROSION')
plt.subplot(234), plt_show_img(gradient), plt.title('GRADIENT')

八、礼帽和黑帽

礼帽：原始输入 - 开运算结果，只留下毛刺、噪点，用来分离比邻近点亮一些的斑块。

黑帽：闭运算 - 原始输入，用来分离比邻近点暗一些的斑块。

#卷积核大小为5X5的礼帽和黑帽
kernel = np.ones((5,5), np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

#卷积核大小为9X9的礼帽和黑帽
kernel_1 = np.ones((9,9), np.uint8)
tophat_1 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel_1)
blackhat_1 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel_1)

plt.subplot(231), plt_show_img(img), plt.title('ORGINAL')
plt.subplot(232), plt_show_img(tophat), plt.title('TOPHAT')
plt.subplot(233), plt_show_img(blackhat), plt.title('BLACKHAT')
plt.subplot(235), plt_show_img(tophat_1), plt.title('TOPHAT')
plt.subplot(236), plt_show_img(blackhat_1), plt.title('BLACKHAT')

Dull_Tear_Joy
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
open cv
aaaaa777779的博客
06-21 1328
open cv
mac os安装open cv2 for python
Cody的笔记本
02-07 7588
转自：http://blog.csdn.net/flyfy1/article/details/8274288 看了几篇安装open cv2 for python，感觉都有点麻烦。上面这两个算是比较简单的。 我的操作系统是10.7，python 2.7.3。 首先就是要安装cmake，这个很简单，brew install cmake。一个命令就搞定。 然后下载open cv的
OPEN CV 实现车辆统计
最新发布
weixin_46290197的博客
04-20 407
通过外接矩形的宽高大小来过滤掉小的矩形。#把车抽象为一点，即外接矩形的中心点。#要通过外接矩形计算矩形的中心点。# 如何画线，画在什么位置。#要求坐标点数都是整数。# 如何画线，画在什么位置。# 把原始帧进行灰度化。#膨胀，把图像还原回来。#画出所有检测的轮廓。
Open cv2 识别红绿灯
weixin_64968817的博客
09-18 375
用python opencv识别红绿灯
Open cv2+Python 分解视频
万伏小太阳
12-06 2341
分解视频需要使用到 Open cv2 这个包，
open cv2学习（一）：图像的加载与保存
WJiaJiaBest的博客
02-04 540
一、Python中图像 1.定义：是结构化存储的数据信息 2.图像的属性：通道数目、高于宽、像素类型、图像类型 二、读入图像：cv2.imread(filepath,flags) 读进来图片直接是BGR格式 filepath：要读入图片的完整路径 flags：读入图片的标志 cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道 cv2.IMRE...
height recgnition.zip_open_open cv_视觉检测身高_计算机视觉_身高识别
07-15
本项目基于Open CV库，一个广泛使用的开源计算机视觉库，来开发一个系统，能够从图像中检测并识别出人物的身高。Open CV提供了一系列强大的工具和函数，用于图像处理、特征提取和模式识别。 首先，我们要理解的是...
open-cv.rar_open_open cv_opencv库
09-21
OpenCV（开源计算机视觉库）是一个强大的跨平台计算机视觉库，它包含了大量的图像处理和计算机视觉的算法，广泛应用于图像和视频分析、机器学习、深度学习等领域。标题中的"open-cv.rar_open_open cv_opencv库"暗示...
Open_CV
02-13
Open_CV，全称为Open Source Computer Vision Library，是一个开源的计算机视觉库，包含了众多用于图像处理和计算机视觉的算法。这个库广泛应用于机器学习、深度学习、图像分析和机器人技术等领域。Open_CV的设计...
open_surf.rar_Open Surf_open_surf
09-20
Open SURF（Speeded Up Robust Features）是一种广泛应用于计算机视觉和图像处理领域的特征检测算法。这个算法在OpenCV库中被集成，为开发者提供了一种高效且鲁棒的特征提取工具。OpenCV是一个开源的计算机视觉库，...
Open_CV_Optical_Flow_2：Open_CV_Optical_Flow_2
02-20
光学流（Optical Flow）是计算机视觉领域中的一个重要概念，用于描述图像序列中像素的运动。OpenCV库提供了实现光学流算法的工具，使得开发者能够...对于希望在计算机视觉领域深化学习的人来说，这是一个宝贵的资源。
Open cv2 图像轮廓
weixin_57467874的博客
05-24 128
Open cv 图像轮廓 原图 处理后 此代码写入一部分检测轮廓面积的代码，适用于较复杂的图片。 有的图片过于复杂无法识别，可以利用检查轮廓面积大小，去除不需要部分后再绘制轮廓。 案例@Fu Xianjun. All Rights Reserved. ...
Day03计算机视觉Open Cv
2205_75881260的博客
02-03 409
细节会丢失，增强边缘尖锐信息。
OPEN-CV学习笔记（1）
qq_44196259的博客
02-05 1119
opencv入门学习笔记
C++学习笔记——opencv2模块（图像处理）
热门推荐
starvapour的博客
12-22 1万+
C++学习笔记——opencv2模块（图像处理） 用于计算图像处理的opencv2，只不过这次用的不是python的版本，而是C++的版本。
python中计算机视觉应用图像opencv库的安装
putersoft的专栏
10-22 46
第三步：输入命令pip3 install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple。在计算机视觉应用开发中，需要对图像进行处理，包括加载图像、图像的显示、保存图像等均 需要使用到opencv库。第一步：确认设置好Python的path环境变量。（我本机安装的是python3.10.6版本）
Open CV 图像处理基础：（一）Open CV 在windows环境初始化和 Java 动态库加载方式介绍
无间行者
01-08 2146
Open CV是一个开源的计算机视觉和机器学习软件库，它提供了一系列的工具和程序库，让用户能够进行复杂的图像处理和计算机视觉任务。在Java中使用OpenCV涉及到环境初始化和动态库加载。以下是一些基本步骤和方法来设置OpenCV环境并在Java中加载相关的动态库。
python open-cv 基础知识总结（三）
long_xuan123的博客
05-07 1928
上一章：python open-cv 基础知识总结（二） 1. 轮廓中心计算 本教程的目标是 （1） 检测图像中每个形状的轮廓， （2） 计算轮廓的中心 -也称为区域的 质心 。 为了实现这些目标，我们需要执行一些图像预处理，包括： 转换为灰度 进行模糊处理以减少高频噪声，从而使轮廓检测过程更加精确 图像的二值化。通常，边缘检测和阈值化用于该过程。在这篇文章中，我们...
AI基础实战营Day1ppt
02-02
"本次课程是AI基础实战营的第一天，主要介绍了计算机视觉的基本概念和OpenMMLab开源算法体系。由同济大学的张子豪主讲，内容涵盖了从计算机视觉的基本问题，如图像识别、人脸识别，到更高级的应用如图像生成、风格...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值