OPENCV简单入门（二）

一、滤波算法

img=cv2.imread("./image/four.jpg")
img=cv2.resize(img,(0,0),fx=0.6,fy=0.6)
cv2.imshow("init",img)
cv2.waitKey(0)

#均值滤波
blur=cv2.blur(img,(5,5))    #核是奇数
cv2.imshow("blur",blur)
cv2.waitKey(0)

#方框滤波
box=cv2.boxFilter(img,-1,(5,5),normalize=True)   #归一化
cv2.imshow("box0",blur)
cv2.waitKey(0)

box=cv2.boxFilter(img,-1,(5,5),normalize=False)   #超过255就为255
cv2.imshow("box1",blur)
cv2.waitKey(0)

#高斯滤波  位置不同、权值不同，距离中心节点越近权值越大，符合正态分布
gaussian=cv2.GaussianBlur(img,(5,5),0.1)
cv2.imshow("gaussian",blur)
cv2.waitKey(0)

#中值滤波
mediane=cv2.medianBlur(img,5)
cv2.imshow("mediane",blur)
cv2.waitKey(0)

cv2.destroyAllWindows()

二、腐蚀与膨胀

  简单地说，腐蚀就是黑的把白的吃掉，膨胀就是白的把黑色的吃掉

img=imread("./image/test.png")
img=cv2.resize(img,(0,0),fx=0.6,fy=0.6)
#腐蚀 erode
kernel=np.ones((3,3),np.uint8)
imgErode=cv2.erode(img,kernel,iterations=3)
#膨胀 delita
imgDilate=cv2.dilate(img,kernel,iterations=3)

cv2.imshow("init",img)
cv2.waitKey(0)
cv2.imshow("erode",imgErode)
cv2.waitKey(0)
cv2.imshow("dilate",imgDilate)
cv2.waitKey(0)

cv2.destroyAllWindows()

 三、开运算与闭运算

img=cv2.imread("./image/test.png")
img=cv2.resize(img,(0,0),fx=0.6,fy=0.6)

kernel=np.ones((3,3),np.uint8)

#开运算  先腐蚀再膨胀
imgOpen=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)

#闭运算，先膨胀再腐蚀
imgClose=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)

cv2.imshow("init",img)
cv2.waitKey(0)
cv2.imshow("open",imgOpen)
cv2.waitKey(0)
cv2.imshow("close",imgClose)
cv2.waitKey(0)

cv2.destroyAllWindows()

四、梯度运算

显示一下大致的轮廓，就是膨胀后的减去腐蚀过的

img=cv2.imread("./image/test.png")
img=cv2.resize(img,(0,0),fx=0.6,fy=0.6)

kernel=np.ones((3,3),np.uint8)

#梯度运算
imgGradient=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)

cv2.imshow("init",img)
cv2.waitKey(0)

cv2.imshow("gradient",imgGradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

 五、礼帽与黑帽

img=cv2.imread("./image/test.png")
img=cv2.resize(img,(0,0),fx=0.6,fy=0.6)

kernel=np.ones((3,3),np.uint8)

#礼帽    原始图像-开运算
imgTophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)

#黑帽    闭运算-原始图像
imgBlackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)

cv2.imshow("init",img)
cv2.waitKey(0)
cv2.imshow("tophat",imgTophat) 
cv2.waitKey(0)
cv2.imshow("blackhat",imgBlackhat)
cv2.waitKey(0)

cv2.destroyAllWindows()

六、soble、scharr、lapkacian算子边缘检测

1、soble：

#soble 边缘检测滤波器
img=cv2.imread("./image/test.png")
img=cv2.resize(img,(0,0),fx=0.6,fy=0.6)

#直接进行两个方向的边缘检测
sobelD=cv2.Sobel(img,cv2.CV_32F,1,1,ksize=3)
sobelD=cv2.convertScaleAbs(sobelD)
#水平方向进行边缘检测   
sobelX=cv2.Sobel(img,cv2.CV_32F,1,0,ksize=3)   #第二个参数CV_32F 可以为负数，再转换为正数，就可以把检测为负数的边缘也检测出来
sobelX = cv2.convertScaleAbs(sobelX)           #白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值
#垂直方向进行边缘检测
sobelY=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelY = cv2.convertScaleAbs(sobelY) 
#把两个方向综合起来,建议
sobelXY=cv2.addWeighted(sobelX,1,sobelY,1,0)

cv2.imshow("init",img)
cv2.waitKey(0)
cv2.imshow("sobelD",sobelD)
cv2.waitKey(0)
cv2.imshow("sobelX",sobelX)
cv2.waitKey(0)
cv2.imshow("sobelY",sobelY)
cv2.waitKey(0)
cv2.imshow("sobelXY",sobelXY)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

2、scharr：(与soble仅仅核不一样，更细腻)

scharrX = cv2.Scharr(img,cv2.CV_64F,1,0)
scharrY = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrX = cv2.convertScaleAbs(scharrX)   
scharrY = cv2.convertScaleAbs(scharrY)  
scharrXY =  cv2.addWeighted(scharrX,1,scharrY,1,0) 

cv2.imshow("scharrXY",scharrXY)

 3、Laplacian，二阶，不再分水平垂直两个方向，上下左右和中间对比

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian) 

七、candy边缘检测

步骤：

（1)        使用高斯滤波器，以平滑图像，滤除噪声。

（2)        计算图像中每个像素点的梯度强度和方向。

（3)        应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

（4)       应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

（5)        通过抑制孤立的弱边缘最终完成边缘检测。

#candy边缘检测
#宽松的阈值
canny1=cv2.Canny(img,5,80)
#比较严格的阈值
canny2=cv2.Canny(img,70,80)