Python-OpenCV 笔记2 -- 图像的基本属性和操作

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

Canny边缘检测原理

# 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

---