描述 | 函数名 | 详细 |
图片读取 | cv2.imread() | img=cv2.imread(图片路径,cv2.IMREAD_UNCHANGED) ##原图展示 cv2.IMREAD_UNCHANGED ##灰度图展示 cv2.IMREAD_GRAYSCALE ##彩色图展示 cv2.IMREAD_COLOR |
图片保存 | cv2.imwrite() | cv2.imwrite('image/gray_test.jpg',img) |
图片展示 | cv2.imshow() | 展示,只能展示一张图 如果需要展示多个图,使用以下方式 imgs = np.hstack(images)
|
图片暂停展示 | cv2.waitKey(num) |
##按键输入消失 num<0 ##0或不填系数 ,一直不消失 num==0 ##停滞num秒 num>0
|
关闭所有窗口 | cv2.destroyAllWindows() | cv2.destroyAllWindows() |
图像赋值 |
| 1)基本操作 img[100,100]=255 #灰度图赋值 img[100,100,0]=255 #彩色图单通道赋值 img[100,100]=[255,255,255] #彩色图多通道赋值
2)numpy操作 img.item(100, 100, 2) #获得(100,100)点,2通道的值 img.itemset((100, 100, 2), 255) #设置(100,100)点2通道的值 |
获取图像属性 |
| ##获取BGR图 高、宽、深度 h,w,d=img.shape
##获得图片数据类型 img.dtype
##获得图片大小 h*w 或 h*w*d img_size=img.size |
感兴趣区域ROI |
| ##获得面部图像 face= img[220:400, 250:350]
##粘贴脸部图像,可以跨图粘贴 img[0:180, 0:100]=face |
通道分解合并 |
| ##通道分解方案1 b=img[:,:,0] g=img[:,:,1] r=img[:,:,2]
##通道分解方案2 b,g,r=cv2.split(img)
##通道合并 rgb=cv2.merge([r,g,b])
##只显示蓝色通道 b=cv2.split(a)[0] g = np.zeros((rows,cols),dtype=a.dtype) r = np.zeros((rows,cols),dtype=a.dtype) m=cv2.merge([b,g,r]) |
图像加法 |
| ##超过255则为0 result1= img1 + img2
##超过255则为255 result2=cv2.add(img1, img2)
##图像带权重融合,第5个参数为偏移量 result=cv2.addWeighted(img1,0.5,img2,0.5, 0) |
图像类型转换 | cv2.cvtColor() | ##彩色图转灰度图 img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
##BGR图转RGB图(重点:opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反) img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
##灰度图转BGR图,每个通道都是之前的灰度值 img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR) |
图像缩放 (宽、高) | cv2.resize() | ##图片缩放->(200,100) img2=cv2.resize(img1, (200, 100))
##按比例缩放->(0.5,1.2) img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))
##按比例缩放,参数版 img2=cv2.resize(img1, None, fx=1.2, fy=0.5) |
图像翻转 | cv2.flip() | img2=cv2.flip(img1, 0) #上下翻转 img2=cv2.flip(img1, 1) #左右翻转 img2=cv2.flip(img1, -1) #上下、左右翻转 |
图像移动、旋转、缩放 | cv2.warpAffine() | ##图像移动=>(100,200) M = np.float32([[1, 0, 100], [0, 1, 200]]) b=cv2.warpAffine(img1, M, (height, width))
##图像中心、旋转45度、缩放0.6 M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6) img2=cv2.warpAffine(img1, M, (height, width))
##图像菱形转换 p1=np.float32([[0,0],[cols-1,0],[0,rows-1]]) #左上角、右上角、左下角 p2=np.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]]) M=cv2.getAffineTransform(p1,p2) dst=cv2.warpAffine(img,M,(cols,rows)) |
图像阈值转换 、二值化 |
| r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化,阈值127,r为返回阈值,b为二值图 r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化 r,b=cv2.threshold(a,127,255,cv2.THRESH_BINARY) #低于threshold则为0 r,b=cv2.threshold(a,127,255,cv2.THRESH_BINARY_INV) #高于threshold则为0 r,b=cv2.threshold(a,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold |
图像平滑处理 |
| ##均值滤波 img2=cv2.blur(img1, (5, 5)) #sum(square)/25
##normalize=1 均值滤波,normalize=0 区域内像素求和 img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)
##高斯滤波,第三个参数是方差,默认0计算公式: sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数) img1=cv2.GaussianBlur(img, (3, 3), 0) #距离像素中心点近的权重较大,以高斯方式往四周分布
##中值滤波,效果非常好? img1=cv2.medianBlur(img,3) #获得中心点附近像素排序后的中值 |
形态学操作 |
| ##图像腐蚀,k为全1卷积核 k=np.ones((5,5),np.uint8) img1=cv2.erode(img, k, iterations=2)
##图像膨胀 k=np.ones((5,5),np.uint8) img1=cv2.dilate(img, k, iterations=2)
##图像开运算 (先腐蚀后膨胀),去掉图形外侧噪点 k=np.ones((5,5),np.uint8) img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)
##图像闭运算(先膨胀后腐蚀) ,去掉图形内侧噪点 k=np.ones((5,5),np.uint8) img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)
##图像梯度运算(膨胀-腐蚀) k=np.ones((5,5),np.uint8) img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)
##高帽运算 (原图-开运算),获得图形外噪点 k=np.ones((5,5),np.uint8) img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)
##黑帽运算(闭运算-原图),获得图像内噪点 k=np.ones((10,10),np.uint8) img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k) |
图像梯度,边缘提取 |
| ##sobel梯度边缘提取,卷积核竖向[[-1,-2,-1][0,0,0][1,2,1]] sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #横向边缘提取 sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #竖向边缘提取 sobelx = cv2.convertScaleAbs(sobelx) # 负值取正,图像展示只能有正值 sobely = cv2.convertScaleAbs(sobely) sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #图像融合
##scharr梯度边缘提取,卷积核竖向[[-3,-10,-3][0,0,0][3,10,3]] ,scharr比sobel卷积核过滤出更多细节 scharrx = cv2.Scharr(o,cv2.CV_64F,1,0) scharry = cv2.Scharr(o,cv2.CV_64F,0,1) scharrx = cv2.convertScaleAbs(scharrx) # 负值取正 scharry = cv2.convertScaleAbs(scharry) scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #图像融合
## 拉普拉斯梯度,边缘提取版本1 , 拉普拉斯图像梯度 [[0,1,0][1,-4,1][0,1,0] ] img1 = cv2.Laplacian(img, cv2.CV_64F) img1 = cv2.convertScaleAbs(img1)
##拉普拉斯梯度,边缘提取版本2,结果略有不同 f=np.array([[0,1,0],[1,-4,1],[0,1,0]]) img1=cv2.filter2D(img, -1, f) |
canny边缘检测 |
| ##canny边缘检测理论 sobel梯度大小:0.5|x|+0.5|y| 高斯滤波 梯度方向:arctan(y/x) 同方向上保留最大梯度 去噪------------------------->梯度------------------------------------->非极大值抑制----------------------------> 跟高阈值连通的线会保留 滞后阈值--------------------->out
##canny边缘检测代码 img1 = cv2.Canny(img,100,200) #参数:图片、低阈值、高阈值
|
图像金字塔 |
| ##图片向下采样,高斯滤波 1/2 删掉偶数列 img1 = cv2.pyrDown(img)
##图片向上采样 ,面积*2 高斯滤波*4 ,下采样为不可逆运算 img3=cv2.pyrUp(img2)
##计算拉普拉斯金字塔 img1 = cv2.pyrDown(img) #下采样 img2=cv2.pyrUp(img1) #上采样 img3=img-img2
|
图像轮廓标注 |
| gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度图转化 dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化 image_,contours,hierarchy=cv2.findContours(img_bin,mode=cv2.RETR_TREE, method=cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓 to_write=img.copy() #原始图像copy,否则会在原图上绘制 ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #红笔绘制图像轮廓 |
直方图 |
| ##matplotlib 绘制直方图 plt.hist(img.ravel(),256)
##用opencv计算直方图列表 hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
##掩膜提取局部直方图 pad=np.zeros(img.shape,np.uint8) pad[200:400,200:400]=255 hist_MASK=cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])
##opencv 交、并、补、异或操作 masked_img=cv2.bitwise_and(img,mask)
##直方图均衡化原理 图像直方图->直方图归一化->累计直方图->*255 x坐标映射->对原来的像素值进行新像素值编码
##直方图均衡化调用 img1=cv2.equalizeHist(img) ##matplotlib绘制图片前通道转换 img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性
##matplotlib多图绘制在一个面板上 plt.subplot('221'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original') plt.subplot('222'), plt.imshow(img1, cmap=plt.cm.gray), plt.axis('off') plt.subplot('223'), plt.hist(img.ravel(),256) plt.subplot('224'), plt.hist(img1.ravel(), 256) |
|
|
|
图像傅里叶变换(空间域=>频域) |
|
##图像傅里叶变换 (转化为虚数,实部为幅度,虚部为频率) fft=np.fft.fft2(img) fft_center=np.fft.fftshift(fft) fft_flect=20*np.log(np.abs(fft_center))
##图像傅里叶逆变换 fft_left=np.fft.ifftshift(fft_center) ifft=np.fft.ifft2(fft_left) img_f=np.abs(ifft)
##高通滤波 h_c,w_c=round(h/2),round(w/2) fft_center[h_c-10:h_c+10,w_c-10:w_c+10]=0 #原图操作,低频信号归0
##opencv 傅里叶变换 dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT) fft_center=np.fft.fftshift(dft)
##opencv 低通滤波 mask=np.zeros((h,w,2),dtype=np.uint8) #定义掩膜 h_c,w_c=round(h/2),round(w/2) R=20 mask[h_c-R:h_c+R,w_c-R:w_c+R]=1 dshift=fft_center*mask #点乘,保留低频信号
##opencv 傅里叶反变换 fft_left=np.fft.ifftshift(dshift) ifft=cv2.idft(fft_left) img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2) |
|
|
|
|
|
|
|
|
|