Python学习日志（二）OpenCV图像处理部分一

色彩处理与几何变换

• 提取色彩空间

两种最广泛使用的转换方法，BGR↔Gray和BGR↔HSV。

对于BGR→Gray转换，我们使用标志cv.COLOR_BGR2GRAY。
类似地，对于BGR→HSV，我们使用标志cv.COLOR_BGR2HSV`
举例：提取视频画面中的蓝色对象（循环内的操作）

# 获取视频中的每一帧
_, frame = cap.read()

#从BGR转换为HSV颜色空间
hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)

# 定义蓝色区间
lower_blue = np.array([110,50,50])
upper_blue = np.array([130,255,255])

# 将HSV图像阈值设为一系列蓝色
mask = cv.inRange(hsv, lower_blue, upper_blue)

# 按位操作提取
res = cv.bitwise_and(frame,frame, mask= mask)

cv.imshow('frame',frame)
cv.imshow('mask',mask)
cv.imshow('res',res)
k = cv.waitKey(5) & 0xFF
if k == 27:
    break
cv.destroyAllWindows()

除此之外，倘若要对HSV的值进行跟踪，可以使用函数cv.cvtColor()。你只需传递所需的BGR值，而不是传递图像。例如，要查找绿色的HSV值，在Python终端中输入以下命令：

 green = np.uint8([[[0,255,0 ]]])
 hsv_green = cv.cvtColor(green,cv.COLOR_BGR2HSV)
 print( hsv_green )

• 图像变换
  OpenCV提供了两个转换函数cv.warpAffine和cv.warpPerspective，你可以使用它们进行各种转换。cv.warpAffine采用2x3变换矩阵作为参数输入，而cv.warpPerspective采用3x3变换矩阵作为参数输入。
  直接看代码

import numpy as np
import cv2 as cv

img = cv.imread('图片位置',0)
#一定注意cv.warpAffine()函数的第三个参数是输出图像的大小，它应该是(宽度，高度)的形式。请记住,width=列数，height=行数。
rows,cols = img.shape

#创建变换矩阵M，将其设置为np.float32类型的Numpy数组，并将其传递给cv.warpAffine()函数。
M = np.float32([[1,0,100],[0,1,50]])
dst = cv.warpAffine(img,M,(cols,rows))

cv.imshow('img',dst)
cv.waitKey(0)
cv.destroyAllWindows()

• 图像阈值
  常用函数有：cv.threshold，cv.adaptiveThreshold等

cv.threshold函数第一个参数是源图像，它应该是灰度图像。第二个参数是用于对像素值进行分类的阈值。第三个参数是maxVal，它表示如果像素值大于（有时小于）阈值则要给出的值。OpenCV提供不同类型的阈值，它由函数的第四个参数决定。类型有：（inv即inverse）
cv.THRESH_BINARY
cv.THRESH_BINARY_INV
cv.THRESH_TRUNC
cv.THRESH_TOZERO
cv.THRESH_TOZERO_INV

• Otsu’s 二值化
  在全局阈值处理中，我们使用任意值作为阈值，那么，我们如何知道我们选择的值是好还是不好？答案是，试错法。但如果是双峰图像（简单来说，双峰图像是直方图有两个峰值的图像）我们可以将这些峰值中间的值近似作为阈值，这就是Otsu二值化的作用。简单来说，它会根据双峰图像的图像直方图自动计算阈值。（对于非双峰图像，二值化不准确。）

为此，使用了我们的cv.threshold()函数，但是需要多传递一个参数cv.THRESH_OTSU。这时要吧阈值设为零。然后算法找到最佳阈值并返回第二个输出retVal。如果未使用Otsu二值化，则retVal与你设定的阈值相同。
请查看以下示例。输入图像是嘈杂的图像。在第一种情况下，我将全局阈值应用为值127。在第二种情况下，我直接应用了Otsu的二值化。在第三种情况下，我使用5x5高斯卷积核过滤图像以消除噪声，然后应用Otsu阈值处理。来看看噪声过滤如何改善结果。

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

img = cv.imread('图片',0)

# 全局阈值处理
ret1,th1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

# 二值化阈值
ret2,th2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

# 高斯滤波后的二值化
blur = cv.GaussianBlur(img,(5,5),0)
ret3,th3 = cv.threshold(blur,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

# 绘制直方图
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]

for i in xrange(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
    
plt.show()