图像阈值
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
1 均值滤波
# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
均值滤波相当于 简单的平均卷积操作
上面代码则相当于与 用一个三乘三的元素都为1的数组来和 三乘以三的像素点数组进行 矩阵相乘
得到的结果除以9 即为这九个点的像素值
可用于处理椒盐滤波
2 方框滤波
# 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()
# 方框滤波
# 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)
#越界直接取255
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
#normalize=False
#这时是3乘以3的像素点相加的值作为这九个点的像素值
#没有进行平均化
3 高斯滤波
# 高斯滤波
# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
aussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
相当于是三乘以三的像素点矩阵
乘 有权值的三乘三矩阵
并且高斯比较重视离他比较近的点 轻视离它比较远的点
4 中值滤波
# 中值滤波
# 相当于用中值代替
median = cv2.medianBlur(img, 5) # 中值滤波
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()
腐蚀操作
相当于对图像进行侵蚀
腐蚀原理：
腐蚀：局部最小值（与膨胀相反）;
①定义一个卷积核B，核可以是任何的形状和大小，且拥有一个单独定义出来的参考点 - 锚点（anchorpoint）;
通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜;
②将核乙与图像甲进行卷积，计算核乙覆盖区域的像素点最小值;
③将这个最小值赋值给参考点指定的像素;
因此，图像中的高亮区域逐渐减小。
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
#进行一次迭代
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
膨胀操作
与腐蚀操作相反
kernel = np.ones((3,3),np.uint8)
img_dilate = cv2.dilate(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
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
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
# 梯度=膨胀-腐蚀
pie = cv2.imread('pie.png')
kernel = np.ones((7,7),np.uint8)
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
礼帽与黑帽
#礼帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
#黑帽
img = cv2.imread('dige.png')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()
图像梯度-Sobel算子
Gx 为x方向上的梯度
即用 p3-p1+p6-p4+p9-p7 这样就能表示出来左右之间的梯度
（Sobel 算子 和高斯相似 给离的近的点进行加权）
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
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#cv2.CV_64F 是可以表示负数的一种数据类型
#dx=1 表示计算x方向上的梯度
cv_show(sobelx,'sobelx')
若 梯度算下来为负数则会产生截断 也就是负数最后当0处理
再在这个⚪ 作为原图的时候 x梯度结果是左边的半月牙 因为右边都当0了
#不建议一起计算xy的梯度 因为一起计算可能会影响效果
#可以分别计算再求和
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
图像梯度-Scharr算子
对于边界更为敏感 （加权力度更大）
图像梯度-laplacian算子
不经常单独使用 因拉普拉斯对于噪音点太过敏感
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的梯度强度和方向
3 应用非极大值抑制，以消除边缘检测带来的杂散效应
（例如 相机中的人脸检测若有多个框都可以被识别成是人脸
，若一个框里面人脸的可能性最大，则选取它作为人脸）
4应用双阈值检测确定真实的和潜在的边缘
5通过抑制孤立的若边缘最终完成边缘检测
1高斯滤波器
2梯度和方向
3非极大值抑制
计算c点与上边交点设为 a 下边交点设为 b
若c点值梯度幅值 比 a与b 的梯度幅值都大 则c 可以保留下来
否则c点会被抑制掉
简化操作
离a点最近的两个点连成的方向
与 这八个方向哪一个更接近 则得到连线 计算a 点前后的梯度幅值 若比他们大则保留
注： 梯度方向与边缘方向是垂直的
双阈值
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
# 指定minvalue：80 和 maxvalue：150
v2=cv2.Canny(img,50,100)
# 检测出来的边界更加丰富
res = np.hstack((v1,v2))
cv_show(res,'res')
图像金字塔
高斯金字塔
拉普拉斯金字塔
上采样和下采样都会丢失图像的信息
# 上采样
up=cv2.pyrUp(img)
#up方向是由大到小的方向
cv_show(up,'up')
print (up.shape)
# 图像会变大
拉普拉斯金字塔：
利用原始图像减去 （down后 再进行up的图像）
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')
图像金字塔
cv2.findContours(img,mode,method)
mode:轮廓检索模式
RETR_EXTERNAL ：只检索最外面的轮廓；
RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;
method:轮廓逼近方法
CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。
为了更高的准确率，使用二值图像。
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# binary 二值图像
# counters 轮廓信息
# hierarchy 层级
#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy,要不原图会变。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
# （0，0，255） 表示用红色来画出轮廓
cv_show(res,'res')
轮廓近似
原理简述 ：
将弧线 ab 利用两条线段进行代替
若 距离d 小于阈值 则两条线段 ac和 cb为近似得到的轮廓
若 距离d 大于阈值 则重复上述步骤 找ac的近似轮廓
img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')
epsilon = 0.15*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')
558
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
