OpenCV自学笔记【API的使用和部分示例】

月烨洵纾鄞.

已于 2024-07-15 20:59:37 修改

阅读量534

点赞数 30

文章标签： opencv 笔记人工智能

于 2024-07-15 20:39:36 首次发布

本文链接：https://blog.csdn.net/qq_67171848/article/details/140448241

版权

OpenCV自学笔记

图像读取、显示、保存

读取一张图片

cv.imread("1.jpg",0)

显示一张图片

#以下为OpenCV显示
cv.imshow("image",img) #image为图像的窗口名称，lena为需要加载图像
cv.waitkey(0) #参数为0即为永远等待

#以下为matplotlib显示
from matplotlib import pyplot as plt
plt.imshow(img[:,:,::-1])

保存图像

cv.imwrite() #参数有文件名，要保存在哪里，要保存的图像

绘制图形

绘制直线

cv.line(img,start,end,color,Thickness)

绘制圆形

cv.circle(img,centerpoint,r,color,Thickness)

绘制矩形

cv.rectangle(img,leftupper,rightdown,color,Thickness)

在图像中添加文字

cv.putText(img,text,situation,font,fontsize,color,Thickness,cv.LINE_AA)

以上操作的示例

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
#创建一个全黑图像
img = np.zeros((512,512,3),np.uint8)
#绘制图形
cv.line(img,(0,0),(511,511),(255,0,0),5)
cv.rectangle(img,(384,0),(510,128),(0,255,0),3)
cv.circle(img,(447,63),63,(0,0,255),-1)
font = cv.FONT_HERSHEY_SIMPLEX
cv.putText(img,'opencv',(10,500),font,4,(255,255,255),2,cv.LINE_AA)
#显示图像
plt.imshow(img[:,:,::-1])
#plt.title('匹配结果',plt.xticks([]),plt.yticks([]))
plt.show()

图像基本操作

补充获取并修改像素点的值

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread("test\\1.jpg")
px = img[100,100]
blue = img[100,100,0]
img[100,100] = [255,255,255]
img[100,101] = [255,255,255]
img[100,102] = [255,255,255]
plt.imshow(img[:,:,::-1])
plt.show()

获取图像的属性

#获取图像的属性
img.shape       (256,256,3)，行256列256，3通道
img.size        (196608)像素数量
img.dtype       (uint8)

图像通道的拆分与合并

#通道拆分
r,g,b = cv.split(img)
#通道合并
img = cv.merge((b,g,r))

色彩空间的改变

#最常用的为BGR--Gray 和 BGR--HSV
cv.cvtColor(input_image,flag)
'''
flag:
cv.COLOR_BGR2GRAY
cv.COLOR_BGR2HSV
等
'''

算数操作

图像的加减法

img3 = cv.add(img1,img2)
img3 = cv.subtract(img1,img2)

img4 = img1 + img2
img4 = img1 - img2

opencv的加法是饱和操作，即超过最大值则保持最大值；减法低于最小值则保持最小值
直接相加减：250+10=260 260%256=4 //减法250-255=-5，结果为256-5=251

#示例
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图像
img1 = cv.imread("test\\rain.jpg")
img2 = cv.imread("test\\sun.jpg")

#加减法操作
img3 = cv.subtract(img1,img2)
# img3 = cv.subtract(img1,img2)
img4 = img1 + img2
# img4 = img1 - img2

#显示结果
fig,axes = plt.subplots(nrows=1,ncols=2,figsize = (10,8))
axes[0].imshow(img3[:,:,::-1])
axes[0].set_title("cv_add")
axes[1].imshow(img4[:,:,::-1])
axes[1].set_title("straight_add")

plt.show()

图像的乘除法

img3 = cv.mumultiplylti(img1,img2)
img3 = cv.divide(img1,img2)

图像的混合

img3 = cv.addWeighted(img1,0.7,img2,0.3,0)  #前两个参数为权重，第三个为需要再加的常数

图像尺度、位置操作

图像的缩放

#绝对尺寸
cv.resize(img1,(2*cols,2*rows),interpolation=cv.INTER_CUBIC)
#相对尺寸
cv.resize(img1,None,fx=0.5,fy=0.5)

图像的平移

# M为3*3的平移矩阵，dsize为输出图像的大小（列数，行数）
dst = cv.warpAffine(img1,M,dsize)

图像的旋转

# M为旋转矩阵，center旋转中心，angle旋转角度(逆时针)，scale缩放比例
M = cv.getRotationMatrix2D(center,angle,scale)
dst = cv.warpAffine(img1,M,dsize)

仿射变换

#创建变化矩阵
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[100,100],[200,50],[100,250]])
M = cv.getAffineTransform(pts1,pts2)
#进行仿射变换
dst = cv.warpAffine(img1,M,(cols,rows))

透射变换

#创建变化矩阵
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[100,145],[300,100],[80,290],[310,300]])
T = cv.getPerspectiveTransform(pts1,pts2)

#进行透射变换
dst = cv.warpPerspective(img1,T,(cols,rows))

图像金字塔

cv.pyrUp(img)   #上采样
cv.pyrDown(img)   #下采样

形态学操作

理解图像的领域、连通性。了解不同的形态学操作：腐蚀、膨胀、开闭运算、礼帽和黑帽等及不同操作间的关系

4邻域N₄§（水平和垂直四个像素点），D邻域N_D§（对角线四个像素点），8邻域N₈§（周围一圈）
4连通，8连通
m连通：对于值V的像素p和q，若①像素q在集合N₄§中 ②q在集合N_D§中，且N₄§与N₄(q)的交集为空。则称这两个像素是m连通的，及4连通和D连通的混和连通。

上面的右图q位置标注错误，应在右边一格
总结：形态学：一般作用在二值图像上。连通性：①邻域（4，8，D），②连通性（4，8，m）

腐蚀膨胀

概念：膨胀就是使图像中高亮部分扩张，效果图拥有比原图更大的高亮区域;
腐蚀是原图中的高亮区域被蚕食，效果图拥有比原图更小的高亮区域。
膨胀是求局部最大值的操作，腐蚀是求局部最小值的操作。

腐蚀

具体操作：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与"操作，如果都为1，则该像素为1，否则为0。如下图所示，结构A被结构B腐蚀后:

上图中的腐蚀结果图的第二行的绿色格子应为白色

腐蚀的作用：消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点。
API接口：

cv.erode(img,kernel,iterations)
#参数分别为：要处理的图像，核结构，腐蚀次数

膨胀
具体操作：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做"“与”操作，如果都为0，则该像素为0，否则为1。如下图所示，结构A被结构B腐蚀后:

膨胀的作用：将与物体接触的所有背景点合并到物体中，使目标增大，可填补目标中的孔洞。
API接口：

cv.dilate(img,kernel,iterations)
#参数分别为：要处理的图像，核结构，膨胀次数

示例：5*5卷积核实现腐蚀和膨胀的运算

###############################################################
#5*5卷积核实现腐蚀膨胀运算

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图片
img1 = cv.imread("test\\bin.jpg")
rows,cols = img1.shape[:2]

#创建核结构
kernel = np.ones((5,5),np.uint8)

#图像的腐蚀与膨胀
erosion = cv.erode(img1,kernel=kernel)
dilate = cv.dilate(img1,kernel=kernel)

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=3,figsize = (10,8))
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("orignal")
axes[1].imshow(erosion[:,:,::-1])
axes[1].set_title("erosion")
axes[2].imshow(dilate[:,:,::-1])
axes[2].set_title("dilate")

plt.show()

开闭运算

开闭运算是将腐蚀和膨胀按照一定的次序处理。但这二者不是可逆的，即先开后闭不能得到原来的图像。

开运算
概念：开运算是先腐蚀后膨胀
作用：分离物体，消除小区域。
特点：消除噪点，去除小的干扰块，而不影响原来的图像。
闭运算
概念：与开运算相反，是先膨胀后腐蚀
作用：消除/闭合物体里面的孔洞。
特点：可以填充闭合区域。

开闭运算API：

cv.morphologyEx(img,op,kernel)
#参数：img为待处理图像,op为处理方式，分开运算（cv.MORPH_OPEN），闭运算（cv.MORPH_CLOSE），kernel为核结构

开闭运算示例：

###############################################################
#10*10 卷积核实现开闭运算操作

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图片
img1 = cv.imread("./test/open_origin.jpg")
img2 = cv.imread("./test/close_origin.jpg")

#创建核结构
kernel = np.ones((10,10),np.uint8)

#图像的开运算与闭运算
cv_open  = cv.morphologyEx(img1,cv.MORPH_OPEN,kernel=kernel)
cv_close = cv.morphologyEx(img2,cv.MORPH_CLOSE,kernel=kernel)

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=4,figsize = (10,8))
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("orignal_open")
axes[1].imshow(cv_open[:,:,::-1])
axes[1].set_title("open")
axes[2].imshow(img2[:,:,::-1])
axes[2].set_title("orignal_close")
axes[3].imshow(cv_close[:,:,::-1])
axes[3].set_title("close")

plt.show()

礼帽和黑帽

礼帽运算（顶帽，白帽）

礼帽是原图像与“开运算结果图之差”
因为开运算带来的结果是放大了裂缝或者局部低亮度的区域,因此，从原图中减去开运算后的图,得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。

礼帽运算用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用礼帽运算进行背景提取。

黑帽运算
黑帽是“闭运算结果图”与原图像之差

黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关。
黑帽运算用来分离比邻近点暗一些的斑块。

顶帽与黑帽API：

cv.morphologyEx(img,cv.op,kernel)
#与开闭运算同一API，传入op的参数改为：cv.MORPH_TOPHAT,cv.MORPH_BLACKHAT

示例：

###############################################################
#顶帽和黑帽运算操作

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图片
img1 = cv.imread("./test/open_origin.jpg")
img2 = cv.imread("./test/close_origin.jpg")

#创建核结构
kernel = np.ones((10,10),np.uint8)

#图像的顶帽和黑帽
cv_top  = cv.morphologyEx(img1,cv.MORPH_TOPHAT,kernel=kernel)
cv_black = cv.morphologyEx(img2,cv.MORPH_BLACKHAT,kernel=kernel)

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=4,figsize = (10,8))
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("orignal_top")
axes[1].imshow(cv_top[:,:,::-1])
axes[1].set_title("top")
axes[2].imshow(img2[:,:,::-1])
axes[2].set_title("orignal_black")
axes[3].imshow(cv_black[:,:,::-1])
axes[3].set_title("black")

plt.show()

图像平滑

1.图像噪声

1.1椒盐噪声

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

1.2高斯噪声

⾼斯噪声是指噪声密度函数服从⾼斯分布的⼀类噪声。由于⾼斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被⽤于实践中。⾼斯随机变量z的概率密度函数由下式给出：

2.图像滤波

2.1均值滤波

优点：算法简单，计算速度快
缺点：去噪的同时去除了很多细节部分，将图像变得模糊
API：

cv.blur(src, ksize, anchor, borderType)
#src：输⼊图像
#ksize：卷积核的⼤⼩
#anchor：默认值 (-1,-1) ，表示核中⼼
#borderType：边界类型

示例：

###############################################################
#均值滤波操作

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图片
img1 = cv.imread("./test/dog_jiaoyan.jpg")
img2 = cv.imread("./test/dog_guess.jpg")

#均值滤波
cv_jiaoyan  = cv.blur(img1,(10,10),anchor=(-1,-1))
cv_guess = cv.blur(img2,(10,10),anchor=(-1,-1))

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=4,figsize = (10,8))
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("img1")
axes[1].imshow(cv_jiaoyan[:,:,::-1])
axes[1].set_title("cv_jiaoyan")

axes[2].imshow(img2[:,:,::-1])
axes[2].set_title("img2")
axes[3].imshow(cv_guess[:,:,::-1])
axes[3].set_title("cv_guess")

plt.show()

2.2高斯滤波

二维高斯的概率分布函数如下：

式中假设了：均值为0，σ_x = σ_y
gauss

高斯平滑流程：
1.首先确定坐标分布，以中心点为原点（0，0）
2.根据公式计算出权重矩阵
3.将权重矩阵归一化
4.计算高斯模糊，与权重矩阵相乘
5.将所有点的值相加代替掉中心点的值。
6.对所有点进行此过程。
（若为彩色图像，则对RGB三个通道分别进行高斯平滑）

API：

cv.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
#src: 输⼊图像
#ksize:⾼斯卷积核的⼤⼩，注意 ： 卷积核的宽度和⾼度都应为奇数，且可以不同
#sigmaX: ⽔平⽅向的标准差
#sigmaY: 垂直⽅向的标准差，默认值为0，表示与sigmaX相同
#borderType:填充边界类型

示例：

###############################################################
#高斯滤波操作

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图片
img1 = cv.imread("./test/dog_jiaoyan.jpg")
img2 = cv.imread("./test/dog_guess.jpg")

#高斯滤波
cv_jiaoyan  = cv.GaussianBlur(img1,(5,5),1)
cv_guess = cv.GaussianBlur(img2,(9,9),1)

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=4,figsize = (10,8))
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("img1")
axes[1].imshow(cv_jiaoyan[:,:,::-1])
axes[1].set_title("cv_jiaoyan")

axes[2].imshow(img2[:,:,::-1])
axes[2].set_title("img2")
axes[3].imshow(cv_guess[:,:,::-1])
axes[3].set_title("cv_guess")

plt.show()

2.3中值滤波

中值滤波是⼀种典型的⾮线性滤波技术，基本思想是⽤像素点邻域灰度值的中值来代替该像素点的灰度值。
中值滤波对椒盐噪声（salt-and-pepper noise）来说尤其有⽤，因为它不依赖于邻域内那些与典型值差别很⼤的值。
API:

cv.medianBlur(src, ksize)
#src：输⼊图像
#ksize：卷积核的⼤⼩

示例：

###############################################################
#中值滤波操作 （有效抑制椒盐噪声）

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

#读取图片
img1 = cv.imread("./test/dog_jiaoyan.jpg")
img2 = cv.imread("./test/dog_guess.jpg")

#中值滤波
cv_jiaoyan  = cv.medianBlur(img1,9)
cv_guess = cv.medianBlur(img2,9)

#图像显示
fig,axes = plt.subplots(nrows=1,ncols=4,figsize = (10,8))
axes[0].imshow(img1[:,:,::-1])
axes[0].set_title("img1")
axes[1].imshow(cv_jiaoyan[:,:,::-1])
axes[1].set_title("cv_jiaoyan")

axes[2].imshow(img2[:,:,::-1])
axes[2].set_title("img2")
axes[3].imshow(cv_guess[:,:,::-1])
axes[3].set_title("cv_guess")

plt.show()

直方图

1.灰度直方图

1.1 原理：直⽅图是对数据进⾏统计的⼀种⽅法，并且将统计值组织到⼀系列实现定义好的bin 当中。其中， bin 为直⽅图中经常⽤到的⼀个概念，可以译为 “直条” 或 “组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、⽅向、⾊彩或任何其他特征。

图像直⽅图（Image Histogram）是⽤以表示数字图像中亮度分布的直⽅图，标绘了图像中每个亮度值的像素个数。这种直⽅图中，横坐标的左侧为较暗的区域，⽽右侧为较亮的区域。

直方图例子：在这里插入图片描述
直方图的一些术语和细节：
dims：需要统计的特征数⽬。在上例中，dims = 1 ，因为仅仅统计了灰度值。
bins：每个特征空间⼦区段的数⽬，可译为 “直条” 或 “组距”，在上例中， bins= 16。
range：要统计特征的取值范围。在上例中，range = [0, 255]。

直方图的意义：
1.直⽅图是图像中像素强度分布的图形表达⽅式。
2.它统计了每⼀个强度值所具有的像素个数。
3.不同的图像的直⽅图可能是相同的。

1.2 直方图统计

API:

cv2.calcHist(images,channels,mask,histSize,ranges[,hist[,accumulate]])
#images: 原图像。当传⼊函数时应该⽤中括号 [] 括起来，例如：[img]。
#channels: 如果输⼊图像是灰度图，它的值就是 [0]；如果是彩⾊图像的话，传⼊的参数可以是 [0]，[1]，[2] 它们分别对应着通道 B，G，R。 
#mask: 掩模图像。要统计整幅图像的直⽅图就把它设为 None。但是如果你想统计图像某⼀部分的直⽅图的话，你就需要制作⼀个掩模图像，并使⽤它。（后边有例⼦） 
#histSize:BIN的数⽬。也应该⽤中括号括起来，例如：[256]。 
#ranges: 像素值范围，通常为 [0，256]

示例：

#################################################
# 直方图统计

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
#读取图片
img1 = cv.imread("./test/1.jpg",0)
plt.imshow(img1,cmap=plt.cm.gray)
plt.show()

hist = cv.calcHist([img1],[0],None,[256],[0,256])

plt.figure(figsize=(10,6),dpi=100)
plt.plot(hist)
plt.grid()
plt.show()

1.3 掩膜的应用

示例：

#####################################################
#掩膜的应用

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 1. 直接以灰度图的⽅式读⼊
img = cv.imread('./test/1.jpg',0)
# 2. 创建蒙版
mask = np.zeros(img.shape[:2], np.uint8)
mask[400:650, 200:500] = 255
# 3.掩模
masked_img = cv.bitwise_and(img,img,mask = mask)
# 4. 统计掩膜后图像的灰度图
mask_histr = cv.calcHist([img],[0],mask,[256],[1,256])
# 5. 图像展示
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,8))
axes[0,0].imshow(img,cmap=plt.cm.gray)
axes[0,0].set_title("原图")
axes[0,1].imshow(mask,cmap=plt.cm.gray)
axes[0,1].set_title("蒙版数据")
axes[1,0].imshow(masked_img,cmap=plt.cm.gray)
axes[1,0].set_title("掩膜后数据")
axes[1,1].plot(mask_histr)
axes[1,1].grid()
axes[1,1].set_title("灰度直⽅图")

plt.show()

直方图均衡化

############################################################
#直方图均衡化

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 1. 直接以灰度图的⽅式读⼊
img = cv.imread('./test/1.jpg',0)
# 2. 均衡化处理
dst = cv.equalizeHist(img)
# 3. 结果展示
fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
axes[0].imshow(img,cmap=plt.cm.gray)
axes[0].set_title("原图")
axes[1].imshow(dst,cmap=plt.cm.gray)
axes[1].set_title("均衡化后结果")
plt.show()

自适应均衡化

########################################################
#自适应均衡化

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

# 1. 以灰度图形式读取图像
img = cv.imread('./test/1.jpg',0)
# 2. 创建⼀个⾃适应均衡化的对象，并应⽤于图像
clahe = cv.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
# 3. 图像展示
fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
axes[0].imshow(img,cmap=plt.cm.gray)
axes[0].set_title("origin")
axes[1].imshow(cl1,cmap=plt.cm.gray)
axes[1].set_title("result")
plt.show()

边缘检测

Sobel边缘检测

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta,borderType)
#src：传⼊的图像
#ddepth: 图像的深度
#dx和dy: 指求导的阶数，0表示这个⽅向上没有求导，取值为0、1。
#ksize: 是Sobel算⼦的⼤⼩，即卷积核的⼤⼩，必须为奇数1、3、5、7，默认为3。
#注意：如果ksize=-1，就演变成为3x3的Scharr算⼦。
#scale：缩放导数的⽐例常数，默认情况为没有伸缩系数。
#borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。

#####
#Sobel函数求完导数后会有负值，还有会⼤于255的值。⽽原图像是uint8，即8位⽆符号数，所以Sobel建⽴的图像位数不够，会有截断。因此要使⽤16位有符号的数据类型，即cv2.CV_16S。处理完图像后，再使⽤cv2.convertScaleAbs()函数将其转回原来的uint8格式，否则图像⽆法显示。
#Sobel算⼦是在两个⽅向计算的，最后还需要⽤cv2.addWeighted( )函数将其组合起来

### API
Scale_abs = cv2.convertScaleAbs(x) # 格式转换函数
result = cv2.addWeighted(src1, alpha, src2, beta) # 图像混合

示例：

##########################################################
# Sobel边缘检测

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

# 读入图像(灰度)
img1 = cv.imread("./test/1.jpg",0)

#计算Sobel卷积的结果(若要使用Scharr算子，则加上 ksize=-1 )
x = cv.Sobel(img1,cv.CV_16S,1,0)
y = cv.Sobel(img1,cv.CV_16S,0,1)

#将计算结果转换为uint8类型
sobel_x = cv.convertScaleAbs(x)
sobel_y = cv.convertScaleAbs(y)

#将两者相加
sobel_img = cv.addWeighted(x,0.5,y,0.5,0)

#显示图像
fig,axes = plt.subplots(nrows=1,ncols=2)
axes[0].imshow(img1,cmap=plt.cm.gray)
axes[0].set_title("origin")
axes[1].imshow(sobel_img,cmap=plt.cm.gray)
axes[1].set_title("result")

plt.show()

Laplacian算子边缘检测

API:

Laplacian_img = cv.Laplacian(img1,-1,ksize=3)
#Src: 需要处理的图像，
#Ddepth: 图像的深度，-1表示采⽤的是原图像相同的深度，⽬标图像的深度必须⼤于等于原图像的深度；
#ksize：算⼦的⼤⼩，即卷积核的⼤⼩，必须为1,3,5,7。

示例：

##########################################################
# Laplacian算子 边缘检测

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

# 读入图像(灰度)
img1 = cv.imread("./test/1.jpg",0)

#计算Laplacian卷积的结果
Laplacian_img = cv.Laplacian(img1,-1,ksize=3)

#将计算结果转换为uint8类型
result = cv.convertScaleAbs(Laplacian_img)

#显示图像
fig,axes = plt.subplots(nrows=1,ncols=2)
axes[0].imshow(img1,cmap=plt.cm.gray)
axes[0].set_title("origin")
axes[1].imshow(result,cmap=plt.cm.gray)
axes[1].set_title("result")

plt.show()

Canny 边缘检测

API:

cv2.Canny(image, threshold1, threshold2)
#image:灰度图，
#threshold1: minval，较⼩的阈值将间断的边缘连接起来
#threshold2: maxval，较⼤的阈值检测图像中明显的边缘

模板匹配

API:

res = cv.matchTemplate(img,template,method)
#img: 要进⾏模板匹配的图像
#Template ：模板
#method：实现模板匹配的算法，主要有：
#1. 平⽅差匹配(CV_TM_SQDIFF)：利⽤模板与图像之间的平⽅差进⾏匹配，最好的匹配是0，匹配越差，匹配的值越⼤。
#2. 相关匹配(CV_TM_CCORR)：利⽤模板与图像间的乘法进⾏匹配，数值越⼤表示匹配程度较⾼，越⼩表示匹配效果差。
#3. 利⽤相关系数匹配(CV_TM_CCOEFF)：利⽤模板与图像间的相关系数匹配，1表示完美的匹配，-1表示最差的匹配。

示例：

#########################################################
# 模板匹配
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img1 = cv.imread("./test/match_origin.jpg")
img2 = cv.imread("./test/match_temp.jpg")
h,w,l = img2.shape

result = cv.matchTemplate(image=img1,templ=img2,method=cv.TM_CCOEFF)

min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)

top_left = max_loc
botton_right = (top_left[0]+w,top_left[1]+h)

cv.rectangle(img=img1,pt1=top_left,pt2=botton_right,color=(0,255,0),thickness=2)
plt.imshow(img1[:,:,::-1])
plt.title("result"),plt.xticks([]),plt.yticks([])

plt.show()

霍夫变换

霍夫线检测

API：

cv.HoughLines(img, rho, theta, threshold)
#img: 检测的图像，要求是⼆值化的图像，所以在调⽤霍夫变换之前⾸先要进⾏⼆值化，或者进⾏Canny边缘检测
#rho、theta: ρ 和θ的精确度
#threshold: 阈值，只有累加器中的值⾼于该阈值时才被认为是直线。

示例：

##########################################################
# 霍夫线检测
import numpy as np
import random
import cv2 as cv
import matplotlib.pyplot as plt
# 1.加载图⽚，转为⼆值图
img = cv.imread('./test/calendar.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
plt.imshow(gray,cmap=plt.cm.gray)
plt.show()
edges = cv.Canny(gray, 50, 150)
plt.imshow(edges,cmap=plt.cm.gray)
plt.show()
# 2.霍夫直线变换
lines = cv.HoughLines(edges, 0.8, np.pi / 180, 300)
# 3.将检测的线绘制在图像上（注意是极坐标噢）
for line in lines:
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * (a))
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * (a))
    cv.line(img, (x1, y1), (x2, y2), (0, 255, 0))
# 4. 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title('霍夫变换线检测')
plt.xticks([]), plt.yticks([])
plt.show()