Opencv高级图像处理

Opencv高级图像处理

图像坐标

row=height=Point.y
col=width=Point.x

二值化

import cv2  
import numpy as np  

# 打开图像  
image_path = 'your_image_path.jpg'  # 图片路径  
image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)  # 以灰度模式读取图像  

# 检查图像是否正确读取  
if image is None:  
    print(f"Could not open or find the image: {
     
     image_path}")  
    exit(0)  

# 选择二值化方法，这里使用简单的阈值法  
# 你可以调整阈值(127, 255)来得到不同的效果  
# 第一个参数是源图像，第二个参数是用于分类像素的阈值，  
# 第三个参数是赋予超过阈值的像素的新值，第四个参数是二值化的类型  
ret, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)  

# 保存处理后的图像  
output_path = 'binary_image.jpg'  # 保存路径
cv2.imwrite(output_path, binary_image)

滤波

高斯滤波

blurred = cv2.GaussianBlur(image, (11, 11), 0)

中值滤波

result = cv2.medianBlur(image, 3)

开闭运算

op_open = cv2.morphologyEx(blurred_raw, cv2.MORPH_OPEN, k) # 开运算
op_close = cv2.morphologyEx(blurred_raw, cv2.MORPH_CLOSE, k) # 闭运算

检测

霍夫圆检测

函数 cv2.HoughCircles()

参数	含义
image	原始图像
method	目前只支持cv2.HOUGH_GRADIENT
dp	图像解析的反向比例。1为原始大小，2为原始大小的一半
minDist	圆心之间的最小距离。过小会增加圆的误判，过大会丢失存在的圆
param1(maxval)	Canny检测器的高阈值,用于检测边缘点的阈值，大于此值才被检测出来。
param2(minval)	检测阶段圆心的累加器阈值(thresh)。越小的话，会增加不存在的圆；越大的话，则检测到的圆就更加接近完美的圆形,检测到圆所需要的最小边缘点数，边缘点数小于此值则舍弃。
minRadius	检测的最小圆的半径
maxRadius	检测的最大圆的半径

# 霍夫圆检测
circles = cv2.HoughCircles(image=raw, cv2.HOUGH_GRADIENT, dp=1, minDist=20, param1=150, param2=100,minRadius=0, maxRadius=0)

# 绘制检测圆
if circles is not None:
    print(f"检测到圆的个数：{
     
     len(circles)}")
    # print(f"{circles}")
    circles = np.round(circles[0, :]).astype("int")
    for (x, y, r) in circles:
        cv2.circle(image, (x, y), r, (0, 255, 0), 1)
else:
    print("未检测到圆")

边缘检测

Canny边缘检测

• 目的：Canny边缘检测算法的目的是识别图像中的一维边缘。该算法通过多步骤过程检测图像中的边缘，包括平滑图像以减少噪声、计算图像梯度以找到潜在的边缘点、应用非极大值抑制（NMS）以获得细边缘，以及使用双阈值算法和边缘连接通过滞后阈值处理确定最终边缘。
• 输出：Canny算法输出的是一个二值图像，其中边缘上的像素为白色（或1），其余像素为黑色（或0）。

edges = cv2.Canny(blurred_raw, threshold1=10, threshold2=70)
# edges 是检测之后的图像

原理：参考链接：知乎文章

findContours

• 目的：findContours函数的目的是从二值图像中提取轮廓线。轮廓可以被视为连续的点（沿着边界）组成的曲线，适用于形状分析和对象检测和识别。
• 工作方式：findContours通过追踪二值图像中的白色（或前景）部分的边缘来查找轮廓。这通常是在应用了阈值处理或边缘检测之后进行。
• 输出：该函数返回两个主要的输出：轮廓本身（一个点的列表，这些点连续地定义了边界）和每个轮廓的层级信息（表示轮廓之间的父子关系）。

# 边缘检测
ret, thresh = cv2.threshold(src=blurred_image, thresh=60, maxval=255, type=0)
contours, hierarchy = cv2.findContours(image=thresh, mode=cv2.RETR_TREE, method=cv2.CHAIN_APPROX_SIMPLE)

# image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像

# 绘制边缘
image = cv2.drawContours(image=image, contours=contours, contourIdx=-1, color=(0, 255, 0), thickness=3)

区别

• 应用场景：Canny边缘检测主要用于边缘识别，适合于图像中边缘的检测和跟踪。而findContours用于提取轮廓信息，适用于更高级的形状分析和对象识别。
• 输出类型：Canny边缘检测输出一个二值图像，其中包含检测到的边缘。findContours则返回轮廓点的集合，这些点可以用来描述对象的形状。
• 后续处理：Canny检测出的边缘通常用作其他图像处理操作的预处理步骤，比如轮廓提取。findContours通常是形状分析或对象识别流程中的一步，它依赖于边缘检测的结果。

简而言之，Canny边缘检测专注于识别图像中的边缘，而findContours则用于基于这些边缘或其他图像特征提取和分析轮廓。在许多实际应用中，这两个步骤经常连续使用：首