Python-OpenCV 笔记2 – 图像的基本属性和操作
1、图片基本属性
# 图像的类型
type(image)
# 图像的大小,元组(行,列,通道)
image.shape
# 图像的大小,值为shape三个元素的乘积
image.size
# 图像像素的数据类型
image.dtype
2、图片基本操作
图像缩放:
# 缩放为指定尺寸
img1 = cv2.resize(img1, (1000, 750))
图像颜色转换:
# 彩色图转灰度图
img = cv2.cvtColor(img1, cv2.COLOR_RGB2GRAY)
图像通道分离和合并:
# 注意通道的顺序是b, g, r
# 图像通道分离
b,g,r = cv2.split(img)
b = cv2.split(img)[0]
g = cv2.split(img)[1]
r = cv2.split(img)[2]
# 图像通道合并
img = cv2.merge([b,g,r])
3、图像滤波
均值滤波(Averaging):
# 函数原型
blur(src, ksize[, dst[, anchor[, borderType]]] )
# 实例
blur = cv2.blur(img, (3,3))
- src:输入图片
- ksize:滑动窗口的大小,(x, x),x通常为奇数3,5,7,9
- dst:输出图片
- anchor:锚点,即滑动窗口的计算点,(-1, -1)表示中心点
- borderType:超出图像的像素点插值方式
高斯滤波(Gaussian Blurring):
# 函数原型
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])
# 实例
blur = cv2.GaussianBlur(img,(5,5),0)
- sigmaX:高斯核X方向的标准差,XY都等于0时按照ksize的宽和高来定
- sigmaY:高斯核Y方向的标准差,等于0或默认时=sigmaX
- 标准差越大中间元素的占比越大
中值滤波(Median Blurring):
# 函数原型
medianBlur(src, ksize[, dst])
# 实例
median = cv2.medianBlur(img,5)
- ksize:核大小,一个正整数,通常3,5,9
- 对椒盐噪声效果好
双边滤波(Bilateral Filtering):
# 函数原型
bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])
# 实例
blur = cv2.bilateralFilter(img,9,75,75)
- 边缘较其它滤波清晰,比较耗时
- d:核的直径,推荐<=5
- sigmaColor:颜色空间参数,越大表示较远的相同颜色像素值影响越大
- sigmaSpace:坐标空间参数,越大时离得较远的像素影响越大
4、图像二值化
函数原型:
# 普通阈值
threshold(src, thresh, maxval, type, dst=None)
# 自适应阈值,图片分成小块计算阈值
adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C,dst=None)
- src:输入图片
- thresh:灰度值阈值
- maxval:最大的灰度值
- type:二值化方法。THRESH_BINARY,THRESH_BINARY_INV,THRESH_TRUNC,THRESH_TOZERO , THRESH_TOZERO_INV ,THRESH_OTSU(最佳阈值)
- dst:输出图片
- maxValue:与 maxval 相同
- adaptiveMethod:ADAPTIVE_THRESH_MEAN_C(通过平均的方法取得平均值)、ADAPTIVE_THRESH_GAUSSIAN_C(通过高斯取得高斯值) ,这两种方法最后得到的结果要减掉参数里面的C值
- thresholdType:与 type 相同
- blockSize:计算阈值的邻域块大小,正方形,必须为奇数
- C:偏移值,计算出的自适应阈值要加上该偏移值
# 灰度值超过 100 的变为 255,小于的为 0
ret, thresh1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)
# 最佳阈值二值化
ret, thresh1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# 自适应阈值,返回值没有ret
thresh1 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 5)
5、图像梯度图
Sobel 算子:
函数原型:
Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)
- src:待计算的输入图
- ddepth:图片的深度
- dx:x轴的微分阶数
- dy:y轴的微分阶数
- dst:输出图片
- ksize:算子的核大小,必须为1、3、5、7
- scale:微分值的缩放系数
- delta:微分值的偏差值
- borderType:数值的插值类型
# Sobel算子求水平和垂直梯度
x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1)
# 求梯度的绝对值
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
# 水平和垂直梯度的加权和
dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
6、Canny边缘检测
# 函数原型
Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])
Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]])
# 实例
edges = cv2.Canny(img,100,200)
- image:输入图片,必须为单通道灰度图
- dx:输入图片的x方向梯度图
- dy:输入图片的y方向梯度图
- threshold1:选择是否保留某点梯度的阈值低值
- threshold2:选择是否保留某点梯度的阈值高值
- apertureSize:Sobel算子的核大小