opencv 入门

最新推荐文章于 2024-09-09 00:00:00 发布
最新推荐文章于 2024-09-09 00:00:00 发布
阅读量955 收藏 3
点赞数 1
文章标签： python opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46049820/article/details/119243172
版权
本文通过OpenCV库展示了图像处理的各种操作，包括图像通道分离、色彩空间转换（BGR到HSV、YUV、YCrCb和灰度）、形态学处理（开运算、闭运算、寻找轮廓）、仿射变换（缩小、平移、旋转）和透视变换。此外，还探讨了图像平滑处理（高斯模糊、Box滤波、中值滤波）和阈值操作。最后，通过图像轮廓检测来识别直线、圆、椭圆等图形元素，并进行了距离计算。
摘要由CSDN通过智能技术生成

一、认识图像 你需要选取任意一张图片做以下操作。1.分离出图像的三个通道（BGR）2.多图像进行色彩空间转换（不限定类型，至少两种）3.对你选择的图片进行不少于五种的图像处理操作（如形态学处理、仿射变换等等，其他的靠自己去探索学习） 这些效果都可以由opencv的函数实现，运行程序时都需要显示出来。

引入库

import cv2
import numpy as np
import matplotlib.pyplot as plt

1.分离出图像的三个通道（BGR）


def char_rgb(img):
    b,g,r=cv2.split(img)
    return cv2.merge([r,g,b])

img=cv2.imread(r'x.png')
b,g,r=cv2.split(img)
zeros = np.zeros(img.shape[:2], dtype = "uint8")

plt.subplot(221)
plt.title("blue")

merged = cv2.merge([zeros, zeros, b])
plt.axis("off")
plt.imshow(merged)

plt.subplot(222)
plt.title("green")
merged = cv2.merge([zeros, g, zeros])
plt.axis("off")
plt.imshow(merged)
merged = cv2.merge([r, zeros, zeros])
plt.subplot(223)
plt.title("red")
plt.axis("off")
plt.imshow(merged)

plt.subplot(224)
merged = cv2.merge([r, g,b])
plt.title("merge")
plt.axis("off")
plt.imshow(merged)

plt.show()

在这里插入图片描述

2.多图像进行色彩空间转换

plt.figure("色彩空间转换", figsize=(12, 8))
img=cv2.imread(r'x.png')

plt.subplot(221)
img1=img.copy()
hsv = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)
plt.title("hsv")
plt.axis("off")
plt.imshow(hsv[:,:,[2,1,0]])

plt.subplot(222)
img2=img.copy()
yuv = cv2.cvtColor(img2, cv2.COLOR_BGR2YUV)
plt.title("yuv")
plt.axis("off")
plt.imshow(yuv[:,:,[2,1,0]])

plt.subplot(223)
img3=img.copy()
ycrcb  = cv2.cvtColor(img3,cv2.COLOR_BGR2YCrCb)
plt.title("ycrcb")
plt.axis("off")
plt.imshow(ycrcb[:,:,[2,1,0]])

plt.subplot(224)
img4=img.copy()
img = cv2.cvtColor(img4,cv2.COLOR_BGR2GRAY)
plt.title("gray")
plt.axis("off")
GRAY = np.concatenate((np.expand_dims(img, axis=2), np.expand_dims(img, axis=2), np.expand_dims(img, axis=2)), axis=-1)
plt.imshow(GRAY)


plt.show()

在这里插入图片描述

3.图像处理操作

###(1)形态学处理

#开运算
img=cv2.imread(r'x.png')
img1=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转为灰度图;
ret2, th2 = cv2.threshold(img1, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)#二值化处理
for i in range(2000):  # 添加椒盐噪声
    _x = np.random.randint(0, th2.shape[0])
    _y = np.random.randint(0, th2.shape[1])
    th2[_x][_y] = 255
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.morphologyEx(th2, cv2.MORPH_OPEN, kernel)  # 开运算函数:先进行腐蚀再膨胀
plt.subplot(121)
plt.imshow(th2)
plt.axis('off')

plt.subplot(122)
plt.imshow(erosion)
plt.axis('off')
plt.show()

在这里插入图片描述

#闭运算
img=cv2.imread(r'x.png',0)
#img1=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)转为灰度图
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)#二值化处理

for i in range(20000):  # 添加椒盐噪声
    _x = np.random.randint(0, th2.shape[0])
    _y = np.random.randint(0, th2.shape[1])
    th2[_x][_y] = 0
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.morphologyEx(th2, cv2.MORPH_CLOSE, kernel) # 闭运算函数:先进行膨胀再腐蚀
plt.subplot(121)
plt.imshow(th2)
plt.axis('off')

plt.subplot(122)
plt.imshow(erosion)
plt.axis('off')
plt.show()

在这里插入图片描述

# 寻找轮廓
img = cv2.imread(r'x.png', 0)
ret, th = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
kernel = np.ones((5, 5), np.uint8)
# morphology  形态学
gradient = cv2.morphologyEx(th, cv2.MORPH_GRADIENT,kernel)  # morph gradient 形态梯度
plt.subplot(121)
plt.imshow(th)
plt.axis('off')

plt.subplot(122)
plt.imshow(gradient)
plt.axis('off')
plt.show()

在这里插入图片描述

###(2)仿射变换

img = cv2.imread(r'x.png')
h,w,c=img.shape
#缩小2倍
A1=np.array([[0.5,0,0],[0,0.5,0]],np.float32)
A2=cv2.warpAffine(img,A1,(w,h),borderValue=126)
#缩小后平移
B1=np.array([[0.5,0,w/4],[0,0.5,h/4]],np.float32)
B2=cv2.warpAffine(img,B1,(w,h),borderValue=126)
#使图像旋转
C1=cv2.getRotationMatrix2D((w/2.0,h/2.0),30,1)
C2=cv2.warpAffine(img,C1,(w,h),borderValue=126) 
#仿射
p1 = np.float32([[0,0], [w-1,0], [0,h-1]])
p2 = np.float32([[0,h*0.3], [w*0.8,h*0.2], [w*0.15,h*0.7]])
M = cv2.getAffineTransform(p1, p2)
dst = cv2.warpAffine(img, M, (w,h))
plt.subplot(141)
plt.imshow(A2[:,:,[2,1,0]])  
plt.axis('off')

plt.subplot(142)
plt.imshow(B2[:,:,[2,1,0]])  
plt.axis('off')

plt.subplot(143)
plt.imshow(C2[:,:,[2,1,0]])  
plt.axis('off')

plt.subplot(144)
plt.imshow(dst[:,:,[2,1,0]])  
plt.axis('off')

plt.show

在这里插入图片描述

###(3)透视变换

img = cv2.imread(r'x.png')
rows, cols, channels = img.shape
p1 = np.float32([[0,0], [cols-1,0], [0,rows-1], [rows-1,cols-1]])
p2 = np.float32([[0,rows*0.3], [cols*0.8,rows*0.2], [cols*0.15,rows*0.7], [cols*0.8,rows*0.8]])
M = cv2.getPerspectiveTransform(p1,p2)
dst = cv2.warpPerspective(img, M, (cols, rows))
plt.subplot(141)
plt.imshow(dst[:,:,[2,1,0]])  
plt.axis('off')
plt.show()

在这里插入图片描述

###(4)平滑处理

img = cv2.imread(r'x.png')
img1=img.copy()
for i in range(20000):  # 添加椒盐噪声
    _x = np.random.randint(0, img1.shape[0])
    _y = np.random.randint(0, img1.shape[1])
    img1[_x][_y] = 255

plt.subplot(151)
plt.title('origin')
plt.imshow(img1[:,:,[2,1,0]])
plt.axis('off')

plt.subplot(152)
plt.title('blur')
plt.imshow(cv2.blur(img1, (3, 3))[:,:,[2,1,0]])
plt.axis('off')

plt.subplot(153)
plt.title('Gaussian')
plt.imshow(cv2. GaussianBlur(img1, (5, 5),1)[:,:,[2,1,0]])
plt.axis('off')

plt.subplot(154)
plt.title('box')
plt.imshow(cv2.boxFilter(img,-1,(3,3), normalize=True) [:,:,[2,1,0]])
plt.axis('off')

plt.subplot(155)
plt.title('median')
plt.imshow(cv2.medianBlur(img, 5)[:,:,[2,1,0]])
plt.axis('off')

plt.show()

在这里插入图片描述

3.阈值操作

img = cv2.imread(r'x.png')
img = cv2.GaussianBlur(img, (3, 3), 1)
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.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][:,:,[2,1,0]])
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])

plt.show()

在这里插入图片描述

二、形状探测 在下面这张图片（x.png）中找出直线、圆、椭圆等图形元素，并把他们用有颜色的线条标记出来。如果左下角点（绿色夹角处）到右下角点（绿色夹角处）的真实距离定为10cm，那么左下角点到最高点（绿色圆球处）的距离是多少？

# 读取彩色图片
img = cv2.imread(r'x.png')
# 转换为灰度图片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 进行二值化处理
ret,binary = cv2.threshold(gray, 224, 255, cv2.THRESH_BINARY_INV)
plt.subplot(121)
plt.imshow( binary)
plt.axis('off')
# 寻找轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制不同的轮廓
draw = cv2.drawContours(img.copy(),contours,-1,(0,255,255),3)

plt.subplot(122)
plt.imshow(draw[:,:,[2,1,0]])
plt.axis('off')

在这里插入图片描述

len(contours)

3

plt.subplot(131)
plt.imshow(cv2.drawContours(img.copy(),contours[0],-1,(0,255,255),3)[:,:,[2,1,0]])
plt.axis('off')

plt.subplot(132)
plt.imshow(cv2.drawContours(img.copy(),contours[1],-1,(0,255,255),3)[:,:,[2,1,0]])
plt.axis('off')

plt.subplot(133)
plt.imshow(cv2.drawContours(img.copy(),contours[2],-1,(0,255,255),3)[:,:,[2,1,0]])
plt.axis('off')
plt.show()
#故所需数据均在contours[2]中

在这里插入图片描述

list_a=np.squeeze(contours[2])  
list_a = list_a[list_a[:,1].argsort()]
list_a.tolist()
min,max=list_a[0][0],list_a[0][0]
for i in list_a:
    
    if i[1]<min:
        min=i[1]
    if i[1]>max:
        max=i[1]    
b=[]        
for i in list_a:
    if i[1]==max:
        b.append(i[0])
b.sort()

x=10/(b[len(b)-1]-b[0])*np.sqrt((max-min)**2+(b[0]-img.shape[1]/2)**2)
print("实际距离：",x,"cm")

在这里插入图片描述

小结： open cv 是对图像处理工具库 ，可以对图像进行各种操作，犹如ps。我觉得学习open cv需要大量练习，多看多读后再动手。 图像处理的实质是对构成其图像的像素点进行操作，图像处理本质上还是数学变换。

ZZU Bachelor
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV入门
WenJGo的博客
09-01 2769
opencv介绍，含大量示例代码
计算机视觉-OpenCV入门讲解
m0_37623374的博客
06-04 5万+
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。 视觉是各个应
OpenCV入门【C++版】
Star_ID的博客
01-31 8万+
OpenCV基础入门实战
OpenCV 入门讲解
windowshht的博客
02-19 522
OpenCV（Open Source Computer Vision Library） 是一个开源的计算机视觉库，它提供了许多高效实现计算机视觉算法的函数，从基本的滤波到高级的物体检测都有涵盖。OpenCV 使用 C/C++ 开发，同时也提供了 Python、Java、MATLAB 等其他语言的接口。它是跨平台的，可以在 Windows、Linux、Mac OS、Android、iOS 等操作系统上运行。
OpenCV 入门（一） —— OpenCV 基础
tmacfrank的博客
05-02 3429
OpenCV（Open Source Computer Vision Library）是一个基于 BSD 许可开源发行的跨平台的计算机视觉库。可用于开发实时的图像处理、计算机视觉以及模式识别程序。由英特尔公司发起并参与开发，以 BSD 许可证授权发行，可以在商业和研究领域中免费使用。英特尔公司的 IPP 可以对 OpenCV 进行加速处理。OpenCV 拥有 C++，Python 和 Java 接口，并且支持 Windows, Linux, Mac OS, iOS 和 Android 系统。
OpenCV入门基础学习
m0_56051805的博客
07-28 9168
OpenCV入门基础学习
Opencv入门必读知识
m0_62919535的博客
07-17 1963
鉴于同学们反映讲的有点快，这里我们做一个补充。OpenCV（Open Source Computer Vision）是一个开源的计算机视觉库，旨在提供计算机视觉和机器学习算法的实现。它是一个跨平台的库，可在多个操作系统上运行，包括Windows、Linux、macOS和Android。
OpenCV教程：超详细的OpenCV入门教程，值得收藏
pythonandaiot的博客
05-10 12万+
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了很多函数，这些函数非常高效地实现了计算机视觉算法（最基本的滤波到高级的物体检测皆有涵盖）。 OpenCV 使用 C/C++ 开发，同时也提供了 Python、Java、MATLAB 等其他语言的接口。 OpenCV 是跨平台的，可以在Windows、Linux、Mac OS、Android、iOS 等操作系统上运行。 OpenCV 的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、..
【OpenCV入门教程之一】 安装OpenCV：OpenCV 3.0、OpenCV 2.4.8、OpenCV 2.4.9 +VS 开发环境配置
热门推荐
【浅墨的游戏编程Blog】毛星云（浅墨）的专栏
02-24 77万+
本系列文章由zhmxy555（毛星云）编写，转载请注明出处。   文章链接： http://blog.csdn.net/poem_qianmo/article/details/19809337 作者：毛星云（浅墨）    邮箱： happylifemxy@163.com  写作当前博文时配套使用OpenCV版本：2.4.8因为读研期间的研究方向是图像处理，所以浅墨这段时间闭门研究了很多OpenCV
OpenCV入门讲解
r081r096的博客
02-14 712
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。OpenCV被广泛应用于图像处理、视频分析、人脸识别、运动跟踪、机器人视觉等领域。它由一系列C函数和少量C++类构成，并提供了Python、Java和MATLAB等语言的接口。
OpenCV入门教程.pdf
09-30
OpenCV 入门教程 OpenCV 是一个广受欢迎的开源计算机视觉库，它提供了很多函数，实现了很多计算机视觉算法，算法从最基本的滤波到高级的物体检测皆有涵盖。本教程旨在为初学者提供引导，使初学者快速了解 OpenCV 的...
bilibili唐宇迪老师OpenCV入门笔记
11-14
在本压缩包文件中，我们关注的是"Bilibili唐宇迪老师OpenCV入门笔记"的相关教程。唐宇迪是一位知名的计算机视觉领域讲师，他在Bilibili上分享了关于OpenCV的视频课程，帮助初学者掌握这一强大的图像处理库。OpenCV...
opencv入门教程
11-17
Opencv 入门教程 Opencv 是一个计算机视觉库，提供了大量的函数和类来处理图像和视频。Opencv 的核心库（cv、cvaux）是用 C 和 C++ 编写的，因此本文档仅对用 C 和 C++ 代码的编写有效。 Opencv 编码样式指南 ...
OpenCv入门学习笔记.pdf
02-11
opencv入门学习文档，是根据个人学习记录的笔记总计三百多页，内含书签，文档简洁适合快速入门，了解图像处理，视频跟踪，神经网络等概念和基本原理，以及人脸识别案例在Opencv中的实现，内含了C++实现源代码。
Python基础 5 - 类、对象、注解
云端梦留白的博客
09-04 1393
面向对象（Object-Oriented, OOP）是一种编程范式，它使用“对象”来设计软件，这些对象包含数据（通常称为属性或字段）和代码（通常称为方法或函数），以模拟现实世界实体的属性和行为。面向对象是一种编程方法，通过创建包含数据和行为的对象来模拟现实世界，提高代码的组织性、重用性和灵活性。在 Pyhon 中，想要使用类，必须先创建对象。class 类名称 : # class 关键字，表示定义了一个类，类首字符大写为标准。
【python】—— Python爬虫实战：爬取珠海市2011-2023年天气数据并保存为CSV文件
weixin_63106307的博客
09-05 903
本文将介绍如何使用Python编写一个简单的爬虫程序，以爬取珠海市2011年至2023年的天气数据，并将这些数据保存为CSV文件。
JS都有哪些操作数组的方法
ggq53219的博客
09-04 585
JavaScript 中操作数组的方法非常丰富，这些方法大致可以分为几类：创建和初始化数组、添加元素、删除元素、遍历数组、搜索元素、数组排序、数组映射和过滤等。
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定
最新发布
weixin_53707653的博客
09-09 550
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。
基于人工智能的音乐情感分类系统
stm32d1219的博客
09-06 802
音乐作为一种强烈的情感表达方式，不同的音调、节奏和和声传递着不同的情感信息。通过人工智能技术，能够自动识别音乐中的情感，为用户提供个性化的音乐推荐或情感分析服务。通过使用MFCC特征提取与神经网络分类算法，音乐情感分类系统可以有效地分析音乐中的情感信息，并根据不同情感对音乐进行分类。随着深度学习技术的进一步发展，音乐情感分类系统的准确性和应用范围将得到进一步提升。音乐情感分类是通过对音乐音频信号进行分析，识别出音乐传递的情感，如“愉快”、“悲伤”、“愤怒”等。问题讨论，人工智能的资料领取可以私信！
opencv入门
05-25
在开始 OpenCV 入门之前，需要安装 OpenCV 库，可以通过以下命令在 Linux 系统中安装： ``` sudo apt-get install libopencv-dev python-opencv ``` 下面简单介绍一些 OpenCV 常用的基本操作： 1. 读取图像 使用...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值