OpenCV-图像处理(1)

课件链接：https://pan.baidu.com/s/1paVjqdf0W_aCksoacPh2aA
提取码：w4qf

一、Canny边缘检测

• 使用高斯滤波器，以平滑图像，滤除噪音
• 计算图像中每个像素点的梯度强度和方向
• 应用非极大值抑制，以消除边缘检测带来的杂散响应
• 应用双阈值检测来确定真正的和潜在的边缘
• 通过抑制孤立的弱边缘最终完成边缘检测

1：高斯滤波器

2：梯度与方向

3：非极大值抑制


4：双阈值检测
从下图可以看出：A点超出最大边界值，被处理为边界，舍弃。C点满足条件，而且与边界相连(A点)。B点虽然在min<B<max,但是没有与边界点相连，舍弃

img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
#设置阈值
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
#hstack()方法为把两个图合成到一起显示
res = np.hstack((v1,v2))
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
cv_show(res,'res')

从图中可以看出，右边的图像更复杂，阈值取的小，获取的像素点多。

img=cv2.imread("car.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
#调用方法
cv_show(res,'res')

二、图像金字塔

• 高斯金字塔
• 拉普拉斯金字塔

高斯金字塔：向下采样方法（缩小）从下往上

高斯金字塔：向上采样方法（放大）从上往下

把一个数字作为左上边界，其它位置补0

img=cv2.imread("AM.png")
cv_show(img,'img')
print (img.shape)
(442, 340, 3)

up=cv2.pyrUp(img)
cv_show(up,'up')
print (up.shape)
(884, 680, 3)

由于图像太大就不展示了
也可以连续的向下向上采样

down=cv2.pyrDown(img)
cv_show(down,'down')
print (down.shape)
(221, 170, 3)

拉普拉斯金字塔

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')

三、图像轮廓

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;(常用此方法)

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。

#读取图像
img = cv2.imread('contours.png')
#转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#使用阈值
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')

-contours:一个列表，每一项都是一个轮廓， 不会存储轮廓所有的点，只存储能描述轮廓的点
-hierarchy:一个ndarray, 元素数量和轮廓数量一样，
-每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数

绘制轮廓

#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()
#BGR格式（0,0，255）
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')

draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show(res,'res')

-drawContours的第三个参数：从0开始，0表示内部轮廓，1表示外部。-1表示全部图形轮廓
-最后一个参数：表示线条宽度

轮廓特征

#拿取第一个轮廓，在计算轮廓时要一个一个轮廓计算
cnt = contours[0]
#面积
cv2.contourArea(cnt)
8500.5
#周长，True表示闭合的
cv2.arcLength(cnt,True)
437.9482651948929

轮廓近似

#读取图像
img = cv2.imread('contours2.png')
#转换成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#二值
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
#图像轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
#读取第一个图像
cnt = contours[0]
#复制一个
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show(res,'res')

#按照周长的百分比,这里使用的0.1，根据设置的百分比不同，显示的效果不一样
#百分比越小轮廓越全
epsilon = 0.1*cv2.arcLength(cnt,True) 
#近似函数：传入轮廓、百分比值，得到的结果也是一个轮廓
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
#进行展示
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')

外界矩形

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

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
#得到坐标点
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')

#轮廓面积
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
#外界矩形面积
rect_area = w * h
extent = float(area) / rect_area
print ('轮廓面积与边界矩形比',extent)
轮廓面积与边界矩形比 0.5154317244724715

外接圆

(x,y),radius = cv2.minEnclosingCircle(cnt) 
center = (int(x),int(y)) 
radius = int(radius) 
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')