一、灰度图
import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline
img=cv2.imread('cat.jpg')
#转换成灰度图
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_gray.shape
(414, 500)
cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)
cv2.destroyAllWindows()
二、 HSV
- H - 色调(主波长)。
- S - 饱和度(纯度/颜色的阴影)。
- V值(强度)
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()
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
#超过127的去255
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()
三、平滑处理
def cv_show(name,img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
img = cv2.imread('lenaNoise.png')
# 均值滤波
# 简单的平均卷积操作
blur = cv2.blur(img, (3, 3))
res = np.hstack((img,blur))
cv_show("res",res)
下图img,blur的对比
# 方框滤波
# 基本和均值一样,可以选择归一化
#当normalize为True时与均值滤波一样的
box = cv2.boxFilter(img,-1,(3,3), normalize=True)
# 方框滤波
# 基本和均值一样,可以选择归一化,容易越界
#大于255的都变成为255
box = cv2.boxFilter(img,-1,(3,3), normalize=False)
# 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)
cv_show("a",aussian)
# 中值滤波
# 相当于用中值代替
median = cv2.medianBlur(img, 5) # 中值滤波
cv_show("b",median)
四、形态学-腐朽操作
img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
#腐蚀函数erode第一个参数原图像、腐蚀的值、迭代次数
erosion = cv2.erode(img,kernel,iterations = 1)
#组合成一个图像
res=np.hstack((img,erosion))
cv_show("all",res)
左边是原始的图像,右边是腐蚀后的图像
#三次腐蚀
kernel = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
下图是循环三次腐蚀的图像,iterations=1、2、3
五、形态学-膨胀操作
img = cv2.imread('dige.png')
kernel = np.ones((3,3),np.uint8)
#腐蚀操作
dige_erosion = cv2.erode(img,kernel,iterations = 1)
kernel = np.ones((3,3),np.uint8)
#膨胀操作
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 2)
res=np.hstack((img,dige_erosion,dige_dilate))
cv_show("res",res)
第一张图为原图,第二张图为腐蚀过的图,最后一张图是膨胀的图
pie = cv2.imread('pie.png')
#循环三次的膨胀
kernel = np.ones((30,30),np.uint8)
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)
dilate_2 = cv2.dilate(pie,kernel,iterations = 2)
dilate_3 = cv2.dilate(pie,kernel,iterations = 3)
res = np.hstack((dilate_1,dilate_2,dilate_3))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
六、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)
# 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)
res=np.hstack((opening,closing))
cv_show("res",res)
左边为:先腐蚀再膨胀;右边为:先膨胀再腐蚀
七、梯度运算
#梯度=膨胀-腐蚀
img=cv2.imread("pie.png")
a=np.ones((5,5),np.uint8)
#膨胀
a1=cv2.dilate(img,a,iterations=5)
#腐蚀
a2=cv2.erode(img,a,iterations=5)
res=np.hstack((a1,a2))
cv_show("res",res)
#梯度 morphologyEx:原图像、梯度函数、值
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, a)
cv_show("gradient",gradient)
八、 礼帽与黑帽
- 礼帽 = 原始输入-开运算结果
- 黑帽 = 闭运算-原始输入
#礼帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv_show("tophat",tophat)
#黑帽
img = cv2.imread('dige.png')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv_show("blackhat",blackhat)
九、 图像梯度-Sobel算子
其中A表示图像对应的矩阵,之后就行对应位置相乘之后加减
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
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
#cv2.CV_64F表示数的范围变大,可以表示负数
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')
由于圆里面是白色的,而结果是右边减左边。其中左半圆图像中,里面是白色(255)-外面黑色(0)得到正数。而右半圆图像中,外面黑色(0)-里面是白色(255)得到负数,得到黑色。所以右半边圆不会显示。
-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
#由于dy为0
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#无论是正数还是负数都变成了正数
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
#由于dx为0
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')
分别计算x和y,再求和
#传入x与y的值和权重,相加
sobelxy=cv2.addWeighted(sobelx,0.5.sobely,0.5,0)
cv_show("sobelxy",sobelxy)
img=cv2.imread("lean.jpg",cv2.IMREAD_GRAYSCALE)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#绝对值
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)
res=hstack((img,sobelxy))
cv_show("all",res)
左边的是原图,右边的是图像梯度形成的图像
图像梯度-Scharr算子
图像梯度-laplacian算子
img=cv2.imread("lean.jpg",cv2.IMREAD_GRAYSCALE)
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx=cv2.convertScaleAbs(sobelx)
sobelx=cv2.convertScaleAbs(sobelx)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
scharrx=cv2.Scharr(img,cv2.CV_64F,1,0)
scharry=cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx=cv2.convertScaleAbs(scharrx)
scharry=cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
laplacian=cv2.Laplacian(img,cv2.CV_64F)
laplacian=cv2.convertScaleAbs(laplacian)
res=np.hstack((sobelxy,scharrxy,laplacian))
cv_show("res",res)
下图是三种算法的结果图像