计算机视觉基础实践第一节

最新推荐文章于 2023-04-09 15:31:18 发布

tyCoulson

最新推荐文章于 2023-04-09 15:31:18 发布

阅读量94

点赞数

分类专栏：项目基础文章标签：计算机视觉

本文链接：https://blog.csdn.net/tyCoulson/article/details/119079632

版权

项目基础专栏收录该内容

1 篇文章 0 订阅

订阅专栏

计算机视觉基础实践

环境安装

手动安装第三方库。
打开anaconda prompt

pip install opencv_python-3.4.1.15-cp36-cp36m-win_amd64.whl
pip install opencv_contrib_python-3.4.1.15-cp36-cp36m-win_amd64.whl
cd Scripts
pip install opencv_contrib_python-3.4.1.15-cp36-cp36m-win_amd64.whl

检查cv2版本

python
import cv2
cv2.__verison__

'3.4.1'

注意：cp36-cp36m对应python版本为3.6

图像基本操作

读取图像：cv2.imread(’ ')
- cv2.IMREAD_COLOR：彩色图像
- cv2.IMREAD_GRAYSCALE：灰度图像
展示图象：cv2.imshow()
属性：
- img.shape: 长宽通道-BGR
- 颜色通道提取：
  b,g,r=cv2.split(img)
保存：cv2.imwrite()
图片截取

img=cv2.imread('cat.jpg')
cat=img[0:50,0:200] 
cv_show('cat',cat)

边界填充

top_size,bottom_size,left_size,right_size = (50,50,50,50)

replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)
reflect = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_REFLECT)
reflect101 = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_REFLECT_101)
wrap = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP)
constant = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size,cv2.BORDER_CONSTANT, value=0)

函数语法：copyMakeBorder (src, dst, top, bottom, left, right, borderType, value)

参数解释

Src

输入矩阵

Dst

输出矩阵，对src边界扩充后的结果

Top

上侧扩充的行数

Bottom

下侧扩充的行数

Left

左侧扩充的行数

Right

右侧扩充的行数

borderType

（边界扩充类型）

BORDER_CONSTANT：常数扩充

BORDER_REPLICATE：边界复制

BORDER_REFLECT：反射扩充

BORDER_WRAP：平铺扩充

BORDER_REFLECT_101：以边界为中心反射扩充

BORDER_REFLECT101=BORDER_REFLECT_101

BORDER_DEFAULT=BORDER_REFLECT_101（这个经常是默认）

Value

borderType=BORDER_CONSTANT时填充的常数（或向量）

读取视频

# 检查是否打开正确
if vc.isOpened(): 
	# open代表着这一帧是否被读取成功
	# frame是帧
    oepn, frame = vc.read()
else:
    open = False
    
while open:
    ret, frame = vc.read()
    if frame is None:
        break
    if ret == True:
        gray = cv2.cvtColor(frame,  cv2.COLOR_BGR2GRAY)
        cv2.imshow('result', gray)
        if cv2.waitKey(100) & 0xFF == 27:# 规定退出按键
            break
vc.release()
cv2.destroyAllWindows()

阈值处理

ret, dst = cv2.threshold(src, thresh, maxval, type)

src：输入图，只能输入单通道图像，通常来说为灰度图
dst：输出图
thresh：阈值
maxval：当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV THRESH_BINARY的反转
cv2.THRESH_TRUNC 大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO 大于阈值部分不改变，否则设为0
cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 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], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

图像平滑

均值滤波

img = cv2.imread('lenaNoise.png')

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

方框滤波

# 基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  

cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 基本和均值一样，可以选择归一化,容易越界
box = cv2.boxFilter(img,-1,(3,3), normalize=False)  

cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

高斯滤波

aussian = cv2.GaussianBlur(img, (5, 5), 1)  

cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

中值滤波

median = cv2.medianBlur(img, 5)  # 中值滤波

cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

展示所有滤波结果

# 展示所有的
res = np.hstack((blur,aussian,median)) 
# hstack是将图像水平排列；vhstack是竖直排列
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

形态学腐蚀与膨胀

腐蚀和膨胀是对白色部分（高亮部分）而言的，不是黑色部分。膨胀就是图像中的高亮部分进行膨胀，“领域扩张”，效果图拥有比原图更大的高亮区域。腐蚀就是原图中的高亮部分被腐蚀，“领域被蚕食”，效果图拥有比原图更小的高亮区域。

腐蚀

kernel = np.ones((3,3),np.uint8) 
dige_erosion = cv2.erode(img,kernel,iterations = 1)

cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

膨胀

kernel = np.ones((3,3),np.uint8) 
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)

cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

开运算与闭运算

开：先腐蚀，再膨胀
去掉一些腐蚀带来的负面影响

img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8) 
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

闭：先膨胀，再腐蚀
边缘效应还会存在

img = cv2.imread('dige.png')

kernel = np.ones((5,5),np.uint8) 
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

梯度运算

梯度=膨胀-腐蚀
将边缘检测出来

pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8) 
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)

res = np.hstack((dilate,erosion))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

梯度

Sobel 算子

$G_x=\left[ \begin{matrix}-1 &0&1\\-2&0&2\\-1&0&1 \end{matrix} \right]*A$
$G_y=\left[ \begin{matrix}-1 &-2&-1\\0&0&0\\1&2&1 \end{matrix} \right]*A$
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth:图像的深度
dx和dy分别表示水平和竖直方向
ksize是Sobel算子的大小

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

# CV_64F作用是保持负数输出
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
# 1代表着x方向

# 将负数转化成绝对值
sobelx = cv2.convertScaleAbs(sobelx)

分别计算x和y，再求和，不建议直接计算

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
# 1代表着y方向
sobely = cv2.convertScaleAbs(sobely)
# 按权重相加
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)

图像梯度-Scharr算子

$G_x=\left[ \begin{matrix}-3&0&3\\-10&0&10\\-3&0&3 \end{matrix} \right]*A$
$G_y=\left[ \begin{matrix}-3&-10&-3\\0&0&0\\3&-10&-3 \end{matrix} \right]*A$

图像梯度-laplacian算子

$G_x=\left[ \begin{matrix}0&1&0\\1&4&1\\0&1&0 \end{matrix} \right]$
对噪声敏感

Canny 边缘检测

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。
1.高斯滤波器

高斯滤波器

2.梯度和方向

3.非极大值抑制
在这里插入图片描述

4.双阈值检测

代码实现canny

img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)

tyCoulson

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
计算机视觉基础实践第一节

计算机视觉基础实践环境安装手动安装第三方库。打开anaconda promptpip install opencv_python-3.4.1.15-cp36-cp36m-win_amd64.whlpip install opencv_contrib_python-3.4.1.15-cp36-cp36m-win_amd64.whlcd Scriptspip install opencv_contrib_python-3.4.1.15-cp36-cp36m-win_amd64.whl检查cv2
复制链接

扫一扫