7/30 opencv-python图像处理

最新推荐文章于 2024-05-22 16:46:36 发布

用吉他弹奏摇滚乐

最新推荐文章于 2024-05-22 16:46:36 发布

阅读量277

点赞数

文章标签： opencv

本文链接：https://blog.csdn.net/m0_45805664/article/details/107700055

版权

图像梯度

OpenCV 中的 Gui 特性

图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。
Sobel算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。
以下各种算子的原理可参考：https://blog.csdn.net/poem_qianmo/article/details/25560901

Sobel算子

代码如下：

import cv2 as cv
#Sobel算子
def sobel_demo(image):
    grad_x = cv.Sobel(image, cv.CV_32F, 1, 0)   #对x求一阶导
    grad_y = cv.Sobel(image, cv.CV_32F, 0, 1)   #对y求一阶导
    gradx = cv.convertScaleAbs(grad_x)  #用convertScaleAbs()函数将其转回原来的uint8形式
    grady = cv.convertScaleAbs(grad_y)
    cv.namedWindow('gradient_x', cv.WINDOW_NORMAL)
    cv.imshow("gradient_x", gradx)  #x方向上的梯度
    cv.namedWindow('gradient_y', cv.WINDOW_NORMAL)
    cv.imshow("gradient_y", grady)  #y方向上的梯度
    gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0) #图片融合
    cv.namedWindow('gradient', cv.WINDOW_NORMAL)
    cv.imshow("gradient", gradxy)

src = cv.imread(r'C:\Users\12620\Pictures\Saved Pictures\QQ20200323121811.jpg')
cv.namedWindow('input_image', cv.WINDOW_NORMAL) #设置为WINDOW_NORMAL可以任意缩放
cv.imshow('input_image', src)
sobel_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述
注意：

1.Sobel算子用来计算图像灰度函数的近似梯度。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。

2.Sobel具有平滑和微分的功效。即：Sobel算子先将图像横向或纵向平滑，然后再纵向或横向差分，得到的结果是平滑后的差分结果。
OpenCV的Sobel函数原型为：Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst
src参数表示输入需要处理的图像。
ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。
　　具体组合如下：
　　src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源
　　图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
　　src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
　　src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
　　src.depth() = CV_64F, 取ddepth = -1/CV_64F
　　注：ddepth =-1时，代表输出图像与输入图像相同的深度。

dx参数表示x方向上的差分阶数，1或0 。

dy参数表示y 方向上的差分阶数，1或0 。

dst参数表示输出与src相同大小和相同通道数的图像。

ksize参数表示Sobel算子的大小，必须为1、3、5、7。

scale参数表示缩放导数的比例常数，默认情况下没有伸缩系数。

delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。

borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

参考：

https://blog.csdn.net/streamchuanxi/article/details/51542141

https://blog.csdn.net/sunny2038/article/details/9170013

Sobel算子原理：https://www.cnblogs.com/lancidie/archive/2011/07/17/2108885.html

3.OpenCV的convertScaleAbs函数使用线性变换转换输入数组元素成8位无符号整型。函数原型：convertScaleAbs(src[, dst[, alpha[, beta]]]) -> dst

src参数表示原数组。
dst参数表示输出数组 (深度为 8u)。
alpha参数表示比例因子。
beta参数表示原数组元素按比例缩放后添加的值。
4.OpenCV的addWeighted函数是计算两个数组的加权和。函数原型：addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) -> dst

src1参数表示需要加权的第一个输入数组。

alpha参数表示第一个数组的权重。

src2参数表示第二个输入数组，它和第一个数组拥有相同的尺寸和通道数。

beta参数表示第二个数组的权重。

gamma参数表示一个加到权重总和上的标量值。

dst参数表示输出的数组，它和输入的两个数组拥有相同的尺寸和通道数。

dtype参数表示输出数组的可选深度。当两个输入数组具有相同的深度时，这个参数设置为-1（默认值），即等同于src1.depth（）。

Scharr算子

代码如下：

import cv2 as cv
#Scharr算子(Sobel算子的增强版，效果更突出)
def Scharr_demo(image):
    grad_x = cv.Scharr(image, cv.CV_32F, 1, 0)   #对x求一阶导
    grad_y = cv.Scharr(image, cv.CV_32F, 0, 1)   #对y求一阶导
    gradx = cv.convertScaleAbs(grad_x)  #用convertScaleAbs()函数将其转回原来的uint8形式
    grady = cv.convertScaleAbs(grad_y)
    cv.imshow("gradient_x", gradx)  #x方向上的梯度
    cv.imshow("gradient_y", grady)  #y方向上的梯度
    gradxy = cv.addWeighted(gradx, 0.5, grady, 0.5, 0)
    cv.imshow("gradient", gradxy)
src = cv.imread('D:/canlie.png')
cv.namedWindow('input_image', cv.WINDOW_NORMAL) #设置为WINDOW_NORMAL可以任意缩放
cv.imshow('input_image', src)
Scharr_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述

注意：
Scharr算子也是计算x或y方向上的图像差分。OpenCV的Scharr函数原型为：Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]) -> dst

参数和Sobel算子的几乎差不多，意思也一样，只是没有ksize大小。

Scharr原理参考：https://www.tony4ai.com/DIP-6-6-%E7%81%B0%E5%BA%A6%E5%9B%BE%E5%83%8F-%E5%9B%BE%E5%83%8F%E5%88%86%E5%89%B2-Scharr%E7%AE%97%E5%AD%90/

拉普拉斯算子

代码如下：

import cv2 as cv
#拉普拉斯算子
def Laplace_demo(image):
    dst = cv.Laplacian(image, cv.CV_32F)
    lpls = cv.convertScaleAbs(dst)
    cv.imshow("Laplace_demo", lpls)
src = cv.imread('D:/canlie.png')
cv.namedWindow('input_image', cv.WINDOW_NORMAL) 
#设置为WINDOW_NORMAL可以任意缩放
cv.imshow('input_image', src)
Laplace_demo(src)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述
注意：

1.拉普拉斯算子（Laplace Operator）是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f）。

2.OpenCV的Laplacian函数原型为：Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) -> dst

src参数表示输入需要处理的图像。

ddepth参数表示输出图像深度，针对不同的输入图像，输出目标图像有不同的深度。

具体组合如下：
　　src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F （一般源图像都为CV_8U，为了避免溢出，一般ddepth参数选择CV_32F）
　　src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
　　src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
　　src.depth() = CV_64F, 取ddepth = -1/CV_64F
　　注：ddepth =-1时，代表输出图像与输入图像相同的深度。

dst参数表示输出与src相同大小和相同通道数的图像。

ksize参数表示用于计算二阶导数滤波器的孔径大小，大小必须是正数和奇数。

scale参数表示计算拉普拉斯算子值的比例因子，默认情况下没有伸缩系数。

delta参数表示一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中。

borderType表示判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
这里ksize参数默认值为1，此时Laplacian()函数采用以下3x3的孔径：
在这里插入图片描述

OpenCV 中的 Gui 特性

读入图像

使用函数 cv2.imread() 读入图像。这幅图像应该在此程序的工作路径，或者给函数提供完整路径，第二个参数是要告诉函数应该如何读取这幅图片。

• cv2.IMREAD_COLOR：读入一副彩色图像。图像的透明度会被忽略，
　　这是默认参数。
　　• cv2.IMREAD_GRAYSCALE：以灰度模式读入图像
　　• cv2.IMREAD_UNCHANGED：读入一幅图像，并且包括图像的 alpha
　　通道

import numpy as np
import cv2

# Load an color image in grayscale
img = cv2.imread('messi5.jpg',0)

显示图像

使用函数 cv2.imshow() 显示图像。窗口会自动调整为图像大小。第一个参数是窗口的名字，其次才是我们的图像。你可以创建多个窗口，只要你喜欢，但是必须给他们不同的名字

cv2.imshow('image',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.waitKey()

cv2.waitKey() 是一个键盘绑定函数。需要指出的是它的时间尺度是毫秒级。函数等待特定的几毫秒，看是否有键盘输入。特定的几毫秒之内，如果按下任意键，这个函数会返回按键的 ASCII 码值，程序将会继续运行。如果没有键盘输入，返回值为 -1，如果我们设置这个函数的参数为 0，那它将会无限期的等待键盘输入。
waitKey函数的功能：
①等待x ms，如果在此期间有按键按下，则立即结束并返回按键的ASCII码，否则返回-1；
②如果x=0，则无限等待下去，直到有按键按下；
【注】：在imshow之后，如果没有waitKey语句则不会显示图像。
waitKey函数的窗口机制：
waitKey的延时功能主要针对图像窗口机制的；
没有窗口，则waitKey命令不执行；
纯粹的延时用sleep命令；

cv2.destroyAllWindows()

cv2.destroyAllWindows() 可以轻易删除任何我们建立的窗口。如果你想删除特定的窗口可以使用 cv2.destroyWindow()，在括号内输入你想删除的窗口名。

cv2.namedWindow()

我们也可以先创建一个窗口，之后再加载图像。这种情况下，你可以决定窗口是否可以调整大小。使用到的函数是 cv2.namedWindow()。初始设定函数标签是cv2.WINDOW_AUTOSIZE。但是如果你把标签改成cv2.WINDOW_NORMAL，你就可以调整窗口大小了。当图像维度太大，或者要添加轨迹条时，调整窗口大小将会很有用

cv2.namedWindow('image', cv2.WINDOW_NORMAL)
cv2.imshow('image',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

保存图像

使用函数 cv2.imwrite() 来保存一个图像。首先需要一个文件名，之后才是你要保存的图像。

cv2.imwrite('messigray.png',img)

总结
下面的程序将会加载一个灰度图，显示图片，按下’s’键保存后退出，或者按下 ESC 键退出不保存

import numpy as np
import cv2

img = cv2.imread('messi5.jpg',0)
cv2.imshow('image',img)
k = cv2.waitKey(0)
if k == 27:         # wait for ESC key to exit
    cv2.destroyAllWindows()
elif k == ord('s'): # wait for 's' key to save and exit
    cv2.imwrite('messigray.png',img)
    cv2.destroyAllWindows()

在这里插入图片描述

GUI

图形用户界面（Graphical User Interface，简称 GUI，又称图形用户接口）是指采用图形方式显示的计算机操作用户界面。
图形用户界面是一种人与计算机通信的界面显示格式，允许用户使用鼠标等输入设备操纵屏幕上的图标或菜单选项，以选择命令、调用文件、启动程序或执行其它一些日常任务。与通过键盘输入文本或字符命令来完成例行任务的字符界面相比，图形用户界面有许多优点。图形用户界面由窗口、下拉菜单、对话框及其相应的控制机制构成，在各种新式应用程序中都是标准化的，即相同的操作总是以同样的方式来完成，在图形用户界面，用户看到和操作的都是图形对象，应用的是计算机图形学的技术。

用吉他弹奏摇滚乐

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
7/30 opencv-python图像处理

图像梯度Sobel算子图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。Sobel算子是普通一阶差分，是基于寻找梯度强度。拉普拉斯算子（二阶差分）是基于过零点检测。通过计算梯度，设置阀值，得到边缘图像。以下各种算子的原理可参考：https://blog.csdn.net/poem_qianmo/article/details/25560901Sobel算子代码如下：import cv2 as cv#Sobel算子def sobel_demo(image):
复制链接

扫一扫