【Opencv】opencv-python学习笔记（基本操作，图像融合，图像平滑，阈值，膨胀腐蚀等）

截取图像

图像融合

读取视频调整帧速显示

末行cv2.waitKey(10)数值的改变可以改变播放速率

import cv2
import numpy as np


cap =cv2.VideoCapture(r"D:\EP11.mp4")
isOpened = cap.isOpened()  ##判断视频是否打开
print(isOpened)
fps = cap.get(cv2.CAP_PROP_FPS)  ##获取帧率
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))   ###获取宽度
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))   ###获取高度
print(fps,width,height)
i=0
#读取视频时长（帧总数）
total = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
print("[INFO] {} total frames in video".format(total))
while isOpened:
    # Take each frame
    (flag, frame)=cap.read()
    if flag == True:
        gray=cv2.cvtColor(frame,cv2.COLOR_RGB2GRAY)
        cv2.imshow('result',gray)
        if cv2.waitKey(10)&0xff==27:
            break
    else:
        break

图像阈值

# 图像阈值
from matplotlib import pyplot as plt
import cv2
img = cv2.imread('d:/pp.jpg')
img_gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
ret,thresh1=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)
ret,thresh2=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3=cv2.threshold(img_gray,127,255,cv2.THRESH_TRUNC)
ret,thresh4=cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO)
ret,thresh5=cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO_INV)

titles=['original','binary','binary_inv','trunc','tozero','tozero_inv']
imgs=[img,thresh1,thresh2,thresh3,thresh4,thresh5]

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

图像平滑（滤波操作）

# 图像阈值
from matplotlib import pyplot as plt
import cv2
img = cv2.imread('d:/zy.jpg')
# 若要用Matplot显示就先把bgr转换成rgb,img_c显示即可，opencv imshow时仍用img
b, g, r = cv2.split(img)
img_c = cv2.merge([r, g, b])
img_gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
# ret,thresh1=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)
# ret,thresh2=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV)
# ret,thresh3=cv2.threshold(img_gray,127,255,cv2.THRESH_TRUNC)
# ret,thresh4=cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO)
# ret,thresh5=cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO_INV)
#
# titles=['original','binary','binary_inv','trunc','tozero','tozero_inv']
# imgs=[img,thresh1,thresh2,thresh3,thresh4,thresh5]
#
# for i in range(6):
#     plt.subplot(2,3,i+1),plt.imshow(imgs[i],'gray')
#     plt.title(titles[i])
#     plt.xticks([]),plt.yticks([])
# plt.show()

#图像平滑
# 1.均值滤波（简单的平均卷积操作）
blur=cv2.blur(img_c,(3,3))
# 使用3*3的卷积

# 2.方框滤波
# 归一化，即同等于均值滤波
box=cv2.boxFilter(img_c,-1,(3,3),normalize=True)
# 未归一化，会出现越界现象，都显示加起来后的像素值，由于最大255取255大多均为白的
box2=box=cv2.boxFilter(img_c,-1,(3,3),normalize=False)

# 3.高斯滤波
# 卷积时不直接相加，按高斯函数分配不同的比例值相乘后相加
Gussian=cv2.GaussianBlur(img_c,(5,5),1)

# 4.中值滤波
# 相当于用（5*5）范围内的25个数中的中值代替该像素
median=cv2.medianBlur(img_c,5)

# 展示所有滤波
# import numpy as np
# # 横着拼接成一张图，如果纵着则改成ystack
# res=np.hstack((img,blur,box,Gussian,median))
# cv2.imshow('img,blur,box,Gussian,median',res)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
imgs=[img_c,blur,box,Gussian,median]
titles=['img','blur','box','Gussian','median']
for i in range(5):
    plt.subplot(2,3,i+1),plt.imshow(imgs[i])
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

膨胀腐蚀——形态学操作

# 腐蚀和膨胀是最基本的形态学运算。
# 腐蚀和膨胀是针对白色部分（高亮部分）而言的。
# 膨胀就是对图像高亮部分进行“领域扩张”，效果图拥有比原图更大的高亮区域；
# 【腐蚀】——去刺儿，是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。
# 【膨胀】--原图变粗，是求局部最大值的操作，从图像直观看来，就是将图像光亮部分放大，黑暗部分缩小
# 开运算：先腐蚀再膨胀，用来消除小物体
# 闭运算：先膨胀再腐蚀，用于排除小型黑洞
# 形态学梯度：就是膨胀图与俯视图之差，用于保留物体的边缘轮廓。
# 顶帽：原图像与开运算图之差，用于分离比邻近点亮一些的斑块。
# 黑帽：闭运算与原图像之差，用于分离比邻近点暗一些的斑块。
import numpy as np
kernel=np.ones((30,30),np.uint8)
erosion=cv2.erode(img_c,kernel,iterations=1)
dilate=cv2.dilate(img_c,kernel,iterations=1)
opening=cv2.morphologyEx(img_c,cv2.MORPH_OPEN,kernel)
closing=cv2.morphologyEx(img_c,cv2.MORPH_CLOSE,kernel)
gradient=cv2.morphologyEx(img_c,cv2.MORPH_GRADIENT,kernel)
tophat=cv2.morphologyEx(img_c,cv2.MORPH_TOPHAT,kernel)
blackhat=cv2.morphologyEx(img_c,cv2.MORPH_BLACKHAT,kernel)


imgs=[img_c,erosion,dilate,opening ,closing,gradient,tophat,blackhat]
titles=['img','erosion','dilate','opening' ,'closing','gradient','tophat','blackhat']
for i in range(7):
    plt.subplot(3,3,i+1),plt.imshow(imgs[i])
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

梯度——不同算子

# 梯度计算中使用不同算子
# sobel（GX是右减左，GY是下减上）
sobel_x=cv2.Sobel(img_c,cv2.CV_64F,1,0,ksize=3)
sobel_x=cv2.convertScaleAbs(sobel_x)
sobel_y=cv2.Sobel(img_c,cv2.CV_64F,0,1,ksize=3)
sobel_y=cv2.convertScaleAbs(sobel_y)
sobelxy=cv2.addWeighted(sobel_x,0.5,sobel_y,0.5,0)
# 直接计算(不建议这样)
sobelxy2=cv2.Sobel(img_c,cv2.CV_64F,1,1,ksize=3)

# scharr
scharr_x=cv2.Scharr(img_c,cv2.CV_64F,1,0)
scharr_x=cv2.convertScaleAbs(scharr_x)
scharr_y=cv2.Scharr(img_c,cv2.CV_64F,0,1)
scharr_y=cv2.convertScaleAbs(scharr_y)
scharrxy=cv2.addWeighted(scharr_x,0.5,scharr_y,0.5,0)

# 拉普拉斯算子

laplacian=cv2.Laplacian(img_c,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)

imgs=[img_c,sobelxy,sobelxy2,scharrxy,laplacian]
titles=['img','sobelxy','sobelxy2(NOTUSE)','scharrxy','laplacian']
for i in range(5):
    plt.subplot(2,3,i+1),plt.imshow(imgs[i])
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

保护朋友隐私权233333（遮脸~）

边缘检测——Canny边缘检测

代码不多，主要理解几个步骤。

# 边缘检测
v1=cv2.Canny(img_gray,80,150)
v2=cv2.Canny(img_gray ,50,100)
res=np.hstack((v1,v2))
cvshow(res)

-----------EchoZhang----比较懒的记录------2020/03/26-------