Py-OpenCV学习记录3--图像运算与简单图形操作_cv2.addweighted() 和直接加减有什么区别-CSDN博客

import cv2
import numpy as np

im1 = cv2.imread('rainbow.png', flags=cv2.IMREAD_COLOR)#原图1
im2 = cv2.imread('zero.png', flags=cv2.IMREAD_COLOR)#原图2

im_addweight = cv2.addWeighted(im1, 0.5, im2, 0.5, 0)

#显示
cv2.imshow('im1', im1)
cv2.imshow('im2', im2)
cv2.imshow('im_addweight', im_addweight)

k =cv2.waitKey(0)
if k == ord('s'):
    cv2.destroyAllWindows()

注：其中两个图像的权系数可以相加起来小于1

3.按位操作（与、或、非、异或）

与：bitwise_and()

或：bitwise_or()

非：bitwise_not()

异或：bitwise_xor()

逻辑运算这个比较简单，不解释了看图吧

import cv2
import numpy as np

im1 = cv2.imread('zero.png', flags=cv2.IMREAD_COLOR)    #原图 圆形
im2 = cv2.imread('rec.png', flags=cv2.IMREAD_COLOR)    #原图 菱形+五角星

im3 = cv2.bitwise_and(im1, im2)    #AND操作
im4 = cv2.bitwise_or(im1, im2)     #OR操作
im5 = cv2.bitwise_not(im1)         #NOT操作
im6 = cv2.bitwise_xor(im1, im2)    #XOR操作

#显示
cv2.imshow('ORI1',im1)
cv2.imshow('ORI2', im2)
cv2.imshow('AND', im3)
cv2.imshow('OR', im4)
cv2.imshow('NOT', im5)
cv2.imshow('XOR', im6)

k = cv2.waitKey(0)
if k == ord('s'):
    cv2.destroyAllWindows()

图像处理方法

图像的颜色空间

不同的颜色空间即表现图像的参数不同，颜色空间的诞生是为了满足历史发展以来不同的需求，不同的颜色空间的表现特性不一样，在实际应用过程中需要根据自身的需要，通过转换颜色空间来选择合适的颜色空间。

具体对于颜色空间的概念可以参考颜色空间总结_ZhangPY的专栏-CSDN博客，这篇博客中给到了详细的介绍。

最常见的颜色空间有RGB、CMYK、HSV、HSI，其中RGB是一种增色模型，是当前应用最广泛的一种颜色空间，R表示红色、G表示绿色、B表示蓝色，RGB的颜色空间可由一个边长为255的立方体表示。CMYK是一种减色模型，颜色混在一起亮度会降低，常用于印刷行业，四个字母分别为C青(cyan)、M品红(Magenta)，Y黄(Yellow)和K黑色(Black)。由于这些在人眼中不太容易分辨出颜色的区别，因此在图像处理中并不常用，多用的是后者HSI与HSV等。HSI、HSL和HSV还有HSB可以说是一回事，颜色模型也非常相近，对比于RGB来说图像处理更加受欢迎，H为色相(Hue)、S为饱和度/色度/彩度(Saturation)以及最后的差异，I为光强(Intensity)、L为亮度(Lightness)、V为明度(Value)以及B也是明度(Brightness)。

对于颜色空间的转换，通过cv2.cvtColor()实现

参数->

src为输入的图像

code便是想要转换的颜色空间，有如下表示：

import cv2 
import numpy as np

im1 = cv2.imread('fruit_test.jpg', flags=cv2.IMREAD_COLOR)#原图
im1_gray = cv2.cvtColor(im1, cv2.COLOR_BGR2GRAY)#gray形式
im1_hsv = cv2.cvtColor(im1, cv2.COLOR_BGR2HSV)#HSV形式
im1_yuv = cv2.cvtColor(im1, cv2.COLOR_BGR2YUV)#YUV形式

#显示
cv2.imshow('im1', im1)
cv2.imshow('im1_gray', im1_gray)
cv2.imshow('im1_hsv', im1_hsv)
cv2.imshow('im1_yuv', im1_yuv)

k =cv2.waitKey(0)
if k == ord('s'):
cv2.destroyAllWindows()

几何变换

1.缩放

cv.resize()
实现缩放的功能

参数->

src 为操作的图像

dsize 该参数为一个元组（宽x高），表示改变后的图像大小

fx、fy为两个方向上的扩大倍数

注：(a)dsize和fx=，fy=只能用一个，使用dsize时无需填写fx与fy的数值，在使用fx与fy是dsize需要赋值None.(b)使用dsize时不可以用浮点数，而fx、fy可使用

interpolation 为插值法，常用的有cv2.INTER CUBIC、cv2.LINEAR和cv2.INTER AREA

import cv2 
import numpy as np

im1 = cv2.imread('car_test2.jpg', flags=cv2.IMREAD_COLOR)#原图

im2 = cv2.resize(im1, None, fx=1.2, fy=2, interpolation=cv2.INTER_AREA)#X扩大2倍 y扩大2倍
height, width = im1.shape[:2]
im3 = cv2.resize(im1, (width*1, height*2), interpolation=cv2.INTER_AREA)#x扩大1.2倍 y扩大2倍

#显示
cv2.imshow('im1', im1)
cv2.imshow('im2', im2)
cv2.imshow('im3', im3)

k =cv2.waitKey(0)
if k == ord('s'):
    cv2.destroyAllWindows()

2.平移和旋转

首先介绍一下原理：图像平移的原理便是将图像中所有的点按照平移量进行移动（水平或垂直），从原始的坐标(x0, y0)移动了(Δx，Δy)到了新坐标点(x1,y1)即完成一次变换。

以矩阵表示如下所示：

图像旋转的原理是将图像所有的点绕着某一个点旋转一个角度θ ，从原始的(x0, y0)（逆时针）旋转了θ ，得到新的坐标点(x1,y1)即完成一次旋转变换。

可表示为

通常的做法为绕着图像中心旋转，此时的旋转矩阵为

在OpenCV中需要构建的并非如原理所示的矩阵。

在平移中采用的方法为首先构造一个numpy的变换矩阵，将其存为np.float32的numpy数组，作为warpAffine的参数M。

在旋转中采用的是OpenCV中所提供的函数cv2.getRotationMatrix2D来构造旋转矩阵，最后通过warpAffine生成，具体如下代码所示。

import cv2 
import numpy as np

im1 = cv2.imread('test1212.png', flags=cv2.IMREAD_COLOR)#原图
height, width, mode = im1.shape

dsize = (height, width)  #获取生成图片的宽高

#平移
M = np.float32([[1,0,50],[0,1,150]])    #构造平移矩阵
im2 = cv2.warpAffine(im1, M, dsize)     #生成平移结果

#旋转
center = ((height - 1)/2.0, (width - 1)/2.0)  #获取旋转中心
R = cv2.getRotationMatrix2D(center, 90, 1)  #构造旋转矩阵
im3 = cv2.warpAffine(im1, R, dsize)     #生成旋转结果

#显示
cv2.imshow('im1', im1)
cv2.imshow('im2', im2)
cv2.imshow('im3', im3)

k =cv2.waitKey(0)
if k == ord('s'):
    cv2.destroyAllWindows()