OpenCv-python 基础图像操作

OpenCv

1.图像的读取

import cv2

img = cv2.imread('car.jpg')
print(type(img))

opencv中读取图像的函数是cv2.imread（）

• filename：文件的路径
• flags：指定读写的读取方式

flags是可选参数：

• cv2.IMREAD_COLOR：默认参数，以彩色图像的方式加载图像，忽略任何透明度。（可用 1）
• cv2.IMREAD_GRAYSCALE：以灰度图像的方式加载图像。（可用 0）
• cv2.IMREAD_UNCHANGED以原始图像的方式加载图像。（可用-1）

注意：OpenCv以彩色图像读取的时候是BGR

2.图像的显示

import cv2

img = cv2.imread('../png/01_cat.jpg' , 1)
cv2.imshow('cat',img)
# 等待时间，毫秒级，0表示任意键终止，5000ms表示5s
cv2.waitKey(0)
# 销毁图像窗口
cv2.destroyAllWindows()

• winname：展示图像的窗口名字
• mat：所展示的图像

这里我们封装一个函数，方便展示图像

# 绘图显示(封装函数)
def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

下文所用的的cv_show(),就是这边封装的函数。

3.图像的保存

img = cv2.imread('cat01.jpg' , 1)
cv2.imwrite('cat02.jpg',img)

• filename:保存的路径。
• img:保存的图像。
• params：用于指定保存图像的特定格式参数。它可以是 JPEG、PNG 等图像格式的特定参数。

4.视频处理

vc = cv2.VideoCapture(0)
if vc.isOpened():
    open,img = vc.read()# 这里的 vc.read() 相当于读取图像的第一帧
                        # 若循环不断的执行 vc.read，则不断的读取第二帧、第三帧....
        				#open:是否被打开 img:图像
    cv_show('img',img)

cv2.VideoCapture 函数可以捕获摄像头，或读取视频文件。

cv2.VideoCapture 函数入口参数：

• 用数字来控制不同的设备(摄像头)，例如 0、1。
• 如果是视频文件，直接指定好路径即可。

5.ROI区域

5.1 位置提取

img = cv2.imread('cat.jpg')
cat = img[0:200,0:200] # 选择图片感兴趣的区域
cv_show('cat',cat)

切片显示图片中左上角的一个 200x200 大小的区域，

5.2 通道提取

img = cv2.imread('cat.jpg')
b,g,r = cv2.split(img)
cv_show('cat_b',b)
print('b.shape:',b.shape) # B通道，单通道，灰度图
cv_show('cat_g',g)
print('g.shape:',g.shape) # G通道，单通道，灰度图
cv_show('cat_r',r)
print('r.shape:',r.shape) # R通道，单通道，灰度图
img = cv2.merge((b,g,r))
print('img.shape:',img.shape) # 3 通道，彩色图

6.边界填充

img = cv2.imread('cat.jpg')

top_size,bottom_size,left_size,right_size = (50,50,50,50)  # 填充多少区域

# 最后一个入口参数为填充方式

# 方式一：复制法
replicate = cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv2.BORDER_REPLICATE) 
# 方式二：反射法
reflect = cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_REFLECT)
# 方式三：反射法二(不要最边缘的像素)
reflect101 = cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_REFLECT_101)      
# 方式四：外包装法
wrap = cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv2.BORDER_WRAP)
# 方式五：常量法
constant = cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_CONSTANT,value=0)

• src：图像
• top、bottom、left、right：分别指定了上、下、左、右四个方向上的边框大小。
• borderType:
  • BORDER_REPLICATE：复制法，也就是复制最边缘像素。
  • BORDER_REFLECT：反射法，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：反射法，也就是以最边缘像素为轴，对称，gfedcb|abcdefgh|gfedcba
  • BORDER_WRAP：外包装法cdefgh|abcdefgh|abcdefg
  • BORDER_CONSTANT：常量法，常数值填充。

7.图像的加法

7.1 直接相加

img_cat = cv2.imread('cat.jpg')
img_dog = cv2.imread('dog.jpg')

img_cat2 = img_cat + 10 # 将 img_cat 矩阵中每一个值都加 10
print(img_cat[:5,:,0])
print(img_cat2[:5,:,0])
print((img_cat+img_cat2)[:5,:,0])  # 0-255 若相加越界后 294 用 294%256 获得余数 38  

7.2 add()

• src1：第一幅输入图像。
• src2：第二幅输入图像。
• dst：可选参数，用于指定输出图像。如果不提供此参数，函数会创建一个与输入图像相同大小和类型的输出图像。
• mask：可选参数，用于指定掩码图像。只有掩码中对应位置的像素才会参与运算。
• dtype：可选参数，指定输出图像的数据类型。

cv2.add() 函数将两幅输入图像的对应像素值相加，并将结果写入输出图像中。如果相加的结果超出了像素值的范围，会进行截断（即超出 255 的部分会被截断为 255）。

8.图像的融合

8.1 图像变化

不同数据大小的图像不能进行数值操作

• src：输入图像。
• dsize：输出图像的尺寸，可以是一个元组 (width, height) 或者一个整数。
• dst：可选参数，用于指定输出图像。如果不提供此参数，函数会创建一个与指定尺寸相同的输出图像。
• fx、fy：可选参数，用于指定沿水平和垂直方向的缩放比例。如果指定了 fx 和 fy，则忽略 dsize 参数。
• interpolation：可选参数，指定插值方法。可以是以下值之一：
  • cv2.INTER_NEAREST：最近邻插值。
  • cv2.INTER_LINEAR：双线性插值（默认值）。
  • cv2.INTER_CUBIC：三次样条插值。
  • cv2.INTER_AREA：区域插值。
  • cv2.INTER_LANCZOS4：Lanczos 插值。

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 指定输出图像的尺寸
resized_img = cv2.resize(img, (400, 300))
cv_show(resized_img)

8.2 图像融合

res = cv2.addWeighted(img_cat,0.4,img_dog,0.6,0) # img_cat 的权重为 0.4，img_dog 的权重为 0.6 
print(img_dog.shape)
cv_show(res)

cv2.addWeighted() 是 OpenCV 中用于图像混合的函数。它可以将两幅图像按照权重进行线性组合，生成一幅新的图像。

• src1：第一幅输入图像。
• alpha：第一幅图像的权重。
• src2：第二幅输入图像。
• beta：第二幅图像的权重。
• gamma：图像的亮度增益。
• dst：可选参数，用于指定输出图像。
• dtype：可选参数，指定输出图像的数据类型。

$dst=src1\ast alpha+src2\ast beta+gamma$

alpha 和 beta 分别指定了两幅图像的权重，gamma 指定了图像的亮度增益。如果 gamma 为零，则不进行亮度调整。

9.图像的缩放

9.1 倍数缩放

img = cv2.imread('cat.jpg') 
res = cv2.resize(img,(0,0),fx=3,fy=1) # (0,0)表示不确定具体值，fx=3 相当于行像素 x 乘 3，fy=1 相当于 y 乘 1 
cv_show('res',res)

9.2 等比例缩放

res = cv2.resize(img,(0,0),fx=1.5,fy=1.5) # 同比例放缩
cv_show('res',res)

10.图像的阈值

img = cv2.imread('cat.jpg',cv2.IMREAD_COLOR)  
img_gray = cv2.imread('01_Picture/01_cat.jpg',cv2.IMREAD_GRAYSCALE)    
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)    
print(ret)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV) # THRESH_BINARY_INV 相对 THRESH_BINARY 黑的变成白的，白的变成黑的       
print(ret)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)     
print(ret)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
print(ret)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)
print(ret)

titles = ['original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']        
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]  

for i in range(6):
    plt.subplot(2,3,i+1), plt.imshow(images[i],'gray')  
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

• src：输入图像，必须是单通道图像（灰度图）。
• thresh：设定的阈值，用于将像素值分为两类。
• maxval：当像素值高于阈值时，设置的最大值。
• type：阈值化类型，包括以下几种：
  • cv2.THRESH_BINARY：二值化，大于阈值的像素值设为 maxval，小于等于阈值的像素值设为 0。
  • cv2.THRESH_BINARY_INV：反二值化，大于阈值的像素值设为 0，小于等于阈值的像素值设为 maxval。
  • cv2.THRESH_TRUNC：截断，大于阈值的像素值设为阈值，小于等于阈值的像素值不变。
  • cv2.THRESH_TOZERO：设为零，大于阈值的像素值不变，小于等于阈值的像素值设为 0。
  • cv2.THRESH_TOZERO_INV：反设为零，大于阈值的像素值设为 0，小于等于阈值的像素值不变。
• dst：可选参数，用于指定输出图像。

11.图像的平滑处理

图像的平滑处理是一种常见的图像处理技术，用于减少图像中的噪声并模糊图像。常见的平滑处理方法包括均值滤波、方框滤波、高斯滤波、中值滤波等。

11.1 均值滤波

将图像中每个像素的值替换为其周围像素值的平均值。这种方法对去除轻微的噪声很有效，但可能会使图像变得模糊。

# 均值滤波
# 简单的平均卷积操作，方框中的值相加，取平均，替换掉中心204的值

blur = cv2.blur(img,(3,3)) # (3,3) 为核的大小，通常情况核都是奇数 3、5、7

11.2 方框滤波

使用一个归一化的方形卷积核对图像进行平滑处理。该滤波器的每个元素都具有相同的权重，即均值滤波器

# 方框滤波
# 基本和均值一样，可以选择归一化

# 在 Python 中 -1 表示自适应填充对应的值，这里的 -1 表示与颜色通道数自适应一样
box = cv2.boxFilter(img,-1,(3,3),normalize=True)  # 方框滤波如果做归一化，得到的结果和均值滤波一模一样

11.3 高斯滤波

在均值滤波的基础上，不同的像素具有不同的权重，距离越近的像素权重越高。这种方法更有效地保留图像的边缘信息。

# 高斯函数，越接近均值时，它的概率越大。
# 离中心值越近的，它的权重越大，离中心值越远的，它的权重越小。

aussian = cv2.GaussianBlur(img,(5,5),1)

11.4 中值滤波

将每个像素的值替换为其邻域像素的中值。对于去除椒盐噪声（即图像中突然出现的白点或黑点）非常有效。

# 中值滤波
# 排序后拿中值替代中间元素值的大小

median = cv2.medianBlur(img,5)

11.5 效果

12. 腐蚀与膨胀

12.1 腐蚀操作

腐蚀操作会将图像中的前景对象（白色区域）进行收缩，即使前景对象变小或者消失。这种操作可以移除小的白色噪声，断开图像中的连接部分，以及消除窄的通道。

12.2 膨胀操作

膨胀操作与腐蚀相反，会将图像中的前景对象进行膨胀，使得前景对象变大或者连接。这种操作可以填充图像中的孔洞、连接被断开的对象，以及扩展对象的大小。

eroded_img = cv2.erode(src, kernel, iterations=1)
dilated_img = cv2.dilate(src, kernel, iterations=1)

• src：输入图像，通常为二值图像，其中前景为白色，背景为黑色。
• kernel：形态学操作的内核，控制操作的形状和大小。
• iterations：形态学操作的迭代次数，默认为 1。

腐蚀和膨胀操作通常是拿二值图像做腐蚀操作

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

# 创建腐蚀和膨胀的内核
kernel = np.ones((5, 5), np.uint8)

# 腐蚀操作
eroded_img = cv2.erode(img, kernel, iterations=1)

# 膨胀操作
dilated_img = cv2.dilate(img, kernel, iterations=1)

13.开运算与闭运算

13.1 开运算与闭运算

开运算（Opening）和闭运算（Closing）是图像处理中常用的形态学操作，通常用于去除图像中的噪声、填充孔洞或连接图像中的断裂部分。

1. 开运算（Opening）：先对图像进行腐蚀操作，再进行膨胀操作。开运算能够消除小的白色噪声，同时保持图像中较大对象的形状和结构。它通常用于去除图像中的噪声和细小的对象，以及分离连接的对象。
2. 闭运算（Closing）：先对图像进行膨胀操作，再进行腐蚀操作。闭运算能够填充图像中的孔洞，连接断裂的对象，以及平滑图像中对象的边界。它通常用于填充图像中的小孔洞和连接断裂的对象。

在 OpenCV 中，可以使用 cv2.morphologyEx() 函数来应用开运算和闭运算。这个函数提供了一个 op 参数，用于指定所需的形态学操作。

• src：输入图像，通常为二值图像。
• op：指定形态学操作的类型，可以是 cv2.MORPH_OPEN（开运算）或 cv2.MORPH_CLOSE（闭运算）。
• kernel：形态学操作的内核，控制操作的形状和大小。

13.2 梯度运算

形态学梯度是膨胀图像减去腐蚀图像的结果，用于检测图像中的边缘。它可以通过以下方式进行计算：

$gradient=dilate{d}_{i}mg-erode{d}_{i}mg$

# 梯度 = 腐蚀-膨胀
pie = cv2.imread('pie.png')

kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations=5) 
erosion = cv2.erode(pie,kernel,iterations=5) 

14.礼帽与黑帽

14.1 礼帽

礼帽操作是原始图像与图像的开运算之间的差值。开运算能够消除图像中的噪声，平滑图像的背景，因此礼帽操作可以用来突出图像中的小亮点和细微结构。礼帽操作通常用于检测图像中的亮度变化或者局部结构。

# 读取图像
img = cv2.imread('Dige.jpg', cv2.IMREAD_GRAYSCALE)

# 创建形态学操作的内核
kernel = np.ones((5, 5), np.uint8)

# 礼帽操作
tophat_img = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

14.2 黑帽

黑帽操作是图像的闭运算与原始图像之间的差值。闭运算能够填充图像中的孔洞，连接断裂的对象，因此黑帽操作可以用来突出图像中的暗部分或者凹陷结构。黑帽操作通常用于检测图像中的暗度变化或者局部结构。

# 黑帽操作
blackhat_img = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

• op:

  • cv2.MORPH_OPEN：开运算（Opening）操作。

  • cv2.MORPH_CLOSE：闭运算（Closing）操作。

  • cv2.MORPH_GRADIENT：形态学梯度（Morphological Gradient）操作。

  • cv2.MORPH_TOPHAT：礼帽（Top Hat）操作。