OpenCV-Python 笔记（二）颜色空间，对象跟踪，几何变换，阈值，平滑，模糊

改变颜色空间

对于颜色转换，我们使用cv函数。cvtColor(input_image, flag)，其中flag决定转换的类型。
在HSV中比在BGR颜色空间中更容易表示颜色。

#打印所有cvtColor的flag
flags=[i for i in dir(cv) if i.startswith("COLOR_")]
print(flags)

注意：HSV中，色相取值范围0-179，饱和度和明度的值都是0-255

对象跟踪

cap=cv.VideoCapture(0)
while(1):
	#获取帧
    _,frame=cap.read()
    #BGR颜色空间转换为HSV
    hsv=cv.cvtColor(frame,cv.COLOR_BGR2HSV)
    #设置紫色HSV读数范围
    lower_purple=np.array([125,43,46])
    upper_purple=np.array([155,255,255])
    #只取紫色范围的像素
    mask=cv.inRange(hsv,lower_purple,upper_purple)
    #把范围加到获取的帧上
    res=cv.bitwise_and(frame,frame,mask=mask)
    #展示
    cv.imshow("frame",frame)
    cv.imshow("mask",mask)
    cv.imshow("res",res)
    k=cv.waitKey(0)
cv.destroyAllWindows()

查找颜色的hsv值，通过已知的GBR值，利用cv.cvtColor进行转换。

red=np.uint8([[[0,0,255]]])
hsv_red=cv.cvtColor(red,cv.COLOR_BGR2HSV)
print(hsv_red)

结果：[[[ 0 255 255]]]

一般把[H-10,100,100]作为下界，[H+10,255,255]作为上界。

跟踪多种颜色

cap=cv.VideoCapture(0)
while(1):
    _,frame=cap.read()
    hsv=cv.cvtColor(frame,cv.COLOR_BGR2HSV)
    lower_purple=np.array([125,43,46])
    upper_purple=np.array([155,255,255])
    lower_green = np.array([50, 100, 100])
    upper_green = np.array([70, 255, 255])
    mask1=cv.inRange(hsv,lower_purple,upper_purple)
    mask2=cv.inRange(hsv,lower_green,upper_green)
    mask=mask1+mask2
    res=cv.bitwise_and(frame,frame,mask=mask)
    cv.imshow("frame",frame)
    cv.imshow("mask",mask)
    cv.imshow("res",res)
    k=cv.waitKey(0)
cv.destroyAllWindows()

效果：（绿色范围不够大）

图像几何变换

缩放：

img=cv.imread("gy.jpg")
res=cv.resize(img,None,fx=1/2,fy=2,interpolation=cv.INTER_CUBIC)
cv.imshow("res",res)
cv.imshow("img",img)
cv.waitKey(0)

结果：

移动：

rows,cols,_=img.shape
#平移的距离，水平100像素，垂直50像素
M=np.float32([[1,0,100],[0,1,50]])
dst=cv.warpAffine(img,M,(cols,rows))
cv.imshow("remove",dst)
cv.waitKey(0)

结果：

旋转：

M=cv.getRotationMatrix2D(((cols-1)/2.0,(rows-1)/2.0),90,1)
dst=cv.warpAffine(img,M,(cols,rows))

仿射变换

#创建三个坐标
pts1=np.float32([[50,50],[200,50],[50,200]])
pts2=np.float32([[10,100],[200,50],[100,250]])
#仿射变换，从坐标pts1变换到pts2
M=cv.getAffineTransform(pts1,pts2)
dst=cv.warpAffine(img,M,(cols,rows))

透视变换：

#定义两个点集
pts1=np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2=np.float32([[0,0],[300,0],[0,300],[300,300]])
#透视变换从pts1到pts2
M=cv.getPerspectiveTransform(pts1,pts2)
dst=cv.warpPerspective(img,M,(300,300))

图像阈值

普通阈值

img=cv.imread("gy.jpg",0)
#（原图，阈值，最大值，阈值类型）
ret,thresh1=cv.threshold(img,127,255,cv.THRESH_BINARY)
ret,thresh2=cv.threshold(img,127,255,cv.THRESH_BINARY_INV)
ret,thresh3=cv.threshold(img,127,255,cv.THRESH_TRUNC)
ret,thresh4=cv.threshold(img,127,255,cv.THRESH_TOZERO)
ret,thresh5=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
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()

自适应阈值

cv.ADAPTIVE_THRESH_MEAN_C::阈值是邻近区域的平均值减去常数C。
cv.ADAPTIVE_THRESH_GAUSSIAN_C:阈值是邻域值的高斯加权总和减去常数C。

img=cv.imread("text.jpg",0)
# 高斯滤波后再采用Otsu阈值，3*3卷积核
blur = cv.GaussianBlur(img,(3,3),0)
ret,th = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
plt.imshow(th,'gray')
plt.title("test"), plt.xticks([]), plt.yticks([])
plt.show()

图像平滑

图像过滤

和音频一样，图像也可以进行滤波。
LPF使图像更模糊
HPF使边缘更锐利
实际上是一个2维卷积核进行卷积操作

img=cv.imread("text.jpg")
#卷积核（DL里面叫过滤器filter）
kernel=np.ones((5,5),np.float32)/25
dst=cv.filter2D(img,-1,kernel)
plt.subplot(121),plt.imshow(img),plt.title("Original")
plt.subplot(122),plt.imshow(dst),plt.title("Averaging")
plt.show()

图像模糊

平均

用一个二维卷积核，对图像进行卷积，计算卷积内像素平均值，再将其他值用平均值代替。（PS.我还是喜欢叫它过滤器2333）

img=cv.imread("text.jpg")
#（图片，卷积核）
blur=cv.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title("Original")
plt.subplot(122),plt.imshow(blur),plt.title("Blured")
plt.show()

高斯模糊

高斯模糊多一个σ (sigma)，同样是用卷积核对图像进行卷积，但是代替的是根据高斯函数计算的，偏移量sigma影响偏移量的值，模糊的地方就有微小差异。

img=cv.imread("text.jpg")
blur=cv.GaussianBlur(img,(9,9),0)
plt.subplot(121),plt.imshow(img),plt.title("Original")
plt.subplot(122),plt.imshow(blur),plt.title("Blured")
plt.show()

中位模糊

函数cv.medianBlur() 提取内核区域下所有像素的中值，并将中心元素替换为该中值。这对于消除图像中的椒盐噪声非常有效。有趣的是，在上述过滤器中，中心元素是新计算的值，该值可以是图像中的像素值或新值。但是在中值模糊中，中心元素总是被图像中的某些像素值代替。有效降低噪音。其内核大小应为正奇数整数。

img=cv.imread("text.jpg")
#（图片，卷积核）
blur=cv.medianBlur(img,9)
plt.subplot(121),plt.imshow(img),plt.title("Original")
plt.subplot(122),plt.imshow(blur),plt.title("Blured")
plt.show()

双边滤波

双边滤波采用两个高斯滤波器，不会像高斯滤波器那样把边缘模糊掉。所以它在过滤掉噪声的时候，也保留了锐利的边缘。

img=cv.imread("text.jpg")
blur=cv.bilateralFilter(img,15,100,100)
plt.subplot(121),plt.imshow(img),plt.title("Original")
plt.subplot(122),plt.imshow(blur),plt.title("Blured")
plt.show()