OpenCv学习笔记（中）

最新推荐文章于 2024-04-22 14:00:17 发布

是啊洋呀

最新推荐文章于 2024-04-22 14:00:17 发布

阅读量139

点赞数

文章标签： opencv 计算机视觉学习

本文链接：https://blog.csdn.net/qq_43892462/article/details/124241076

版权

7 滤波器

7.1 卷积

在这里插入图片描述

浮雕化：

图像锐化：

图像轮廓提取：

7.2 方盒滤波和均值滤波

相较于上面的操作，opencv提供了一个函数，来生成卷积核
均值滤波 cv2.blur(img,(5,5))
方盒滤波 cv2.boxFilter(img,-1,(5,5),normalize=True)

7.3 高斯滤波

卷积核的分布符合高斯分布即为高斯滤波
通过高斯滤波，可以使图像变的平滑，同时有削弱噪声的功能
cv2.GaussianBlur(img,(5,5),sigmaX=3): 这个函数，会用即可

import cv2
import numpy as np
img = cv2.imread('./dog.jpg')
new_image = cv2.GaussianBlur(img,(5,5),sigmaX=3)
cv2.imshow('img',np.hstack((img,new_image)))
cv2.waitKey(0)
cv2.destroyAllWindows()

7.4中值滤波

对椒盐噪声具有非常好的处理效果cv2.medianBlur(img,5)

7.5 双边滤波

cv2.bilateralFilter(img,d=7,sigmaColor=20,sifmaSpace=50)
src：输入图像
d：过滤时周围每个像素领域的直径
sigmaColor：在color space中过滤sigma。参数越大，临近像素将会在越远的地方mix。
sigmaSpace：在coordinate space中过滤sigma。参数越大，那些颜色足够相近的的颜色的影响越大。

在邻域滤波的时候不仅仅考虑集合距离，而且考虑灰度的相似性
能够在使图像变平滑的时候，保留边缘的信息
有美颜磨皮的效果

7.6 二值化

在这里插入图片描述
二值化的阈值 threshold(src,thresh,maxval,type[,dst])

7.7 马赛克的设置

图片马赛克的几种设置方式
方式一
cv2.resize 单纯将图片进行放大

import cv2
import numpy as np
if __name__ == '__main__':
    img = cv2.imread('cat.jpg')
    print(img.shape) #高400，宽400
    img2 = cv2.resize(img,(40,40))
    img2 = cv2.resize(img2,(400,400))
    cv2.imshow('cat',img2)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述
可以看出，reszie的方式与马赛克还是有一些区别的，其主要的作用是将图片变模糊

方式二
对图片的某像素点进行，行和列的重复
利用 np.repeat 对像素点进行重复

import cv2
import numpy as np
if __name__ == '__main__':
    img = cv2.imread('cat.jpg')
    img2 = cv2.resize(img,(40,40))
    img3 = np.repeat(img2,10,axis=0)
    img3 = np.repeat(img3,10,axis=1)
    cv2.imshow('cst',img3)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述

方式三，每十个取一个像素，还在原大小图片进行放置

7.8 指定区域的马赛克

用切片的方式，将图片的指定区域获取，处理成马赛克，在放置回去

8算子

第7章所将的各种滤波，主要的目的为对图片进行处理，如：降噪，锐化，将图像变得平滑等
本章将会提到几种常见的算子，这些算子的主要作用为，提取图像的特征，如：提取边界

8.1 索贝尔(sobel)算子

sobel是一种非常基础的图像边缘检测的算法，它是求图像的相邻像素点的一阶差分
在OpenCv中，可以分别求出X、Y轴的一阶差分值，并将两张图片叠加，即可得到图像的边缘轮廓

import cv2 
import numpy as np
img = cv2.imread('./shudu1.jpg')
dx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
dy = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
dst = cv2.add(dx//2,dy//2)
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('img1',np.hstack((img,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

下图可以看出来，识别的图像效果不太理想，这是因为sobel算子所处理的图像，容易出现，图像的边缘较粗，且可能出现伪边缘的情况。
在这里插入图片描述

8.2 沙尔(scharr)算子

scharr算子与sobel算子几乎相同，只不过Keneral的值发生了变化
cv2.Scharr(img,cv2.CV_64F,0,1)
在这里插入图片描述

8.3 拉普拉斯算子(一种求边缘的二阶导数的算子)

效果很好

import cv2 
import numpy as np
img = cv2.imread('./shudu1.jpg')
dst = cv2.Laplacian(img,-1,ksize=3)
cv2.imshow('img1',np.hstack((img,dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

9 人脸的检测

9.1 单张图片人脸检测

这里新用到了cv2中的级联分类器
cv2.CascadeClassifier(‘haarcascade_frontalface_alt.xml’)
可以检测图片的特征值

函数 faceCascade.detectMultiScale(gray,1.1,2,30)
#第一个参数image：是灰度图像
#第二个参数scaleFactor：是尺度变换，就是向上或者向下每次是原来的多少倍，这里是1.02倍
#第三个参数minNeighbors：是人脸检测次数，设置越高，误检率越低，但是对于迷糊图片，我们设置越高，越不易检测出来，要适当降低
#第四个参数flags：
　　CASCADE_DO_CANNY_PRUNING=1, 利用canny边缘检测来排除一些边缘很少或者很多的图像区域
　　CASCADE_SCALE_IMAGE=2, 正常比例检测 CASCADE_FIND_BIGGEST_OBJECT=4, 只检测最大的物体
　　CASCADE_DO_ROUGH_SEARCH=8 初略的检测
#最后两个参数用来限制得到的目标区域的范围

hon
import cv2
import numpy as np
if __name__=='__main__':
    img=cv2.imread('lina.png')
    face_detector=cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
    faces = face_detector.detectMultiScale(img, 1.1, 3, 0)
    print(faces)
    for x,y,w,h in faces:
        cv2.rectangle(img,pt1=(x,y),pt2=(x+w,y+h),color=[0,0,255],thickness=2)
    cv2.imshow('face1',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述

9.2 同时检测多个人脸

增加一个小技巧，检测黑白，显示彩色。
对彩色图片预处理为黑白颜色后，人脸检测效果更明显，同时减小计算量。

import cv2
import numpy as np
if __name__=='__main__':
    img=cv2.imread('NBA.jpg')
    gray= cv2.cvtColor(img,code=cv2.COLOR_BGRA2GRAY)
    face_detector=cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
    faces = face_detector.detectMultiScale(gray,1.1,2)
    print(faces)
    for x,y,w,h in faces:
        cv2.rectangle(img,pt1=(x,y),pt2=(x+w,y+h),color=[0,0,255],thickness=2)
    cv2.imshow('face1',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

在这里插入图片描述

9.2 人脸增加贴纸

import cv2
img = cv2.imread('./lina.png')
gray= cv2.cvtColor(img,code=cv2.COLOR_BGRA2GRAY)
face_detector=cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')
faces=face_detector.detectMultiScale(gray)
star=cv2.imread('./star.png')
for x,y,w,h in faces:
    star_s=cv2.resize(star,(w//4,h//4))
    w1=w//4
    h1=h//4
    for i in range(h1):
        for j in range(w1):
            if not (star_s[i,j]>200).all():
                img[i+y,j+8*w//3]=star_s[i,j]
#    cv2.rectangle(img,pt1=(x,y),pt2=(x+w,h+y),color=[0,0,255])
#    img[y:y+h//4,x+3*w//8:x+w//4+3*w//8]=cv2.resize(star,(w//4,h//4))
cv2.imshow('face',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

10 轮廓查找

看这篇文章即可

11 腐蚀和膨胀

腐蚀：卷积核对应像素的值都为1，才将像素中间置1
腐蚀：卷积核对应像素的值只要有一个为1，像素中间值就为1
此片文章说的很详细
腐蚀操作：

import cv2
import numpy as np
img = cv2.imread('j.png',0)
kernel = np.ones((5,5),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)

膨胀操作

dilation=cv2.dilate(img,kernel,iterations = 1)

12视频人脸检测

13车盘识别

14 形态检测

import cv2
if __name__=='__main__':
    video = cv2.VideoCapture('./v5.mp4')
    shape1_detector=cv2.CascadeClassifier('./haarcascade_fullbody.xml')
    while True:
        retval,image=video.read()
        print(image.shape)
        image=cv2.resize(image,(288,640))
        if retval == False:
            break
        gray = cv2.cvtColor(image,code=cv2.COLOR_BGRA2GRAY)
        shape1=shape1_detector.detectMultiScale(gray,1.1,2)
        for x,y,w,h in shape1:
            cv2.rectangle(image,pt1=(x,y),pt2=(x+w,y+h),color=[0,0,255],thickness=2)
        cv2.imshow('shape1',image)
        key = cv2.waitKey(1)
        if key==ord('q'):
            break
    cv2.destroyAllWindows()
    video.release()