目录
图像基本操作
截取图片部分内容
#截取出图片200*200像素范围的图片
img=cv2.imread('cat.jpg')
cat=img(0:200,0:200)
cv2.imshow('cat',cat)
颜色通道提取
b,g,r=cv2.split(img)
r.shape
#表示array元组包含414个元组元素,每个元组元素包含500个元素
将b,g,r组合起来
img1=cv2.merge((b,g,r))
img.shape
边界填充
#图片的上下左右进行填充的大小
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)
- BORDER_REPLICATE:复制法,也就是复制最边缘像素。 - BORDER_REFLECT:反射法,对感兴趣的图像中的像素在两边进行复制例如:fedcba|abcdefgh|hgfedcb - BORDER_REFLECT_101:反射法,也就是以最边缘像素为轴,对称,gfedcb|abcdefgh|gfedcba - BORDER_WRAP:外包装法cdefgh|abcdefgh|abcdefg - BORDER_CONSTANT:常量法,常数值填充。
数值计算
越界会自动-255;像素范围0-255
#相当于img的每个像素点+10
img_cat=img+10
图像融合
融合前必须要reres = cv2.addWeighted(img_cat, 0.4, img_dog, 0.6, 0)
两张照片的权重和为1
形态学—腐蚀操作
#指定一个30*30的核
kernel=np.ones((30,30),np.uint8)
erosion_1=cv2.erode(img,kernel,iterations=1)
erosion_2=cv2.erode(img,kernel,iterations=1)
erosion_3=cv2.erode(img,kernel,iterations=1)
#将三张图片组合成一张图片
res=np.hstack((erosion_1,erosion_2,erosion_3))
'''
karnel:内核
erode:侵蚀
erosion:腐蚀
iterations:迭代次数
'''
形态学—膨胀操作
kernel=np.ones((30,30),np.uint8)
dilate=cv2.dilate(img,kernel,iterations=1)
'''
dilate:膨胀
'''
开运算和闭运算
#开运算:先腐蚀再膨胀
kernel=np.ones((3,3),np.uint8)
opening=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
'''
morph: 形态,图像变换,改变
'''
#闭运算:先膨胀再腐蚀
kernel=np.ones((3,3),np.uint8)
closeing=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
梯度运算
#梯度=膨胀-腐蚀
kernel=np.ones((3,3),np.uint8)
gradient=cv2.morphologyEx(img,cv2.MORPH_GRADIENT,kernel)
'''
gradient:梯度
'''
礼帽和黑帽
#礼帽=原始输入-开运算结果
tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
'''
tophat:顶帽,礼帽
'''
#黑帽=闭运算-原始输入
blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
'''
blackhat:黑帽
'''
图像处理
图像梯度—sobel算子
eg:Gx水平梯度 , Gy竖直梯度
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
1.
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#cv2.CV_64F就是将计算结果负数保持为负数,原本计算结果负数直接至0
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
2.计算sobelx
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#可以将负值取绝对值,得到完整得轮廓
sobelx = cv2.convertScaleAbs(sobelx)
3.计算sobely
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
#可以将负值取绝对值,得到完整得轮廓
sobely = cv2.convertScaleAbs(sobely)
4.分别计算x和y,再求和
#将上面得到得sobelx,sobely按权重计算得到sobelxy
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
5.直接计算
不建议直接计算,有重影模糊
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)
图像梯度—scharr算子
图像梯度—laplacian算子
#对变化很敏感。对噪音点很敏感,并不是好事,一般都是跟其他算子结合使用
#不同算子的差异
img = cv2.imread('lena.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)
sobely = cv2.convertScaleAbs(sobely)
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')
图像平滑-滤波处理
均值滤波
#均值滤波
#简单得平均卷积操作
#3*3的核的像素取平均值
blur=cv2.blur(img,(3,3))
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)#归一化
-1表示得到的结果跟原始输入的颜色通道是一致的
box=cv2.boxFilter(img,-1,(3,3),normalize=False)#不归一化
没有除9的操作,发生越界的时候,像素直接取255,显示白色
'''
filter:过滤,滤波
normalize:正常化,规范化
'''
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,更重视中间的
gaussian=cv2.GaussianBlur(img,(5,5),1)
中值滤波
#中值滤波
#相当于用中值代替
median=cv2.medianBlur(img,5)
eg:中值滤波清除噪音效果比较好
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,通常来说是灰度图。
dst:输出图
thresh:阈值
maxval:当图片像素超过像素值时(或小于像素值,根据type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_TOZER0_INV)
cv2.THRESH_BINARY:超过阈值部分取maxval(最大值),否则取0
CV2.THRESH_BINARY_INV:CV2.THRESH_TOZER0_INV的反转
CV2.THRESH_TRUNC:大于阈值部分设为阈值,否则不变
CV2.THRESH_TOZERO:大于阈值部分不变,否则设0
CV2.THRESH_TOZER0_INV:CV2.THRESH_TOZERO的反转
'''
threshold:阈值,门槛
TRUNC:将数字截尾取整
'''
thresh一般设为127
maxval一般取255
Canny边缘检测
单独写的一点
Canny边缘检测算法_runaway black hole的博客-CSDN博客
图像轮廓
cv2.findContours(img,mode,method)
# mode:轮廓检测模式
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
'''
用最后一个比较好
'''
method:
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,函数只保留他们终点的部分
'''
contours:轮廓,轮廓线
external:外部的,外面的
CCOMP:
APPROX:大约
method:方法,办法
simple:简单的,简明的
'''
#读取图片
img = cv2.imread('contours.png')
#转化为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#二值化处理
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
#得到轮廓
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
#传入绘制图像,轮廓,轮廓索引(-1默认所有轮廓,0第一个外圈轮廓,1是第一个内圈轮廓),
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)
cv_show(res,'res')
绘制轮廓的步骤:
1、转化为灰度图
2、进行二值化处理
3、得到轮廓
4、绘制轮廓
轮廓特征
#选择第几个轮廓
cnt = contours[0]
#面积
cv2.contourArea(cnt)
得到返回值:8500.5
#周长,True表示闭合的
cv2.arcLength(cnt,True)
得到返回值:437.9482651948929
轮廓近似
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')
#算周长并*0.1,指定越小越详细
epsilon = 0.1*cv2.arcLength(cnt,True)
#cnt:选择哪条轮廓,epsilon:0.1倍的周长
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')
外界矩形、外接圆
外接矩形
img = cv2.imread('contours.png')
#获得轮廓
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]
#获得外接矩形的顶点坐标及矩形长宽
x,y,w,h = cv2.boundingRect(cnt)
#绘制外接矩形
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')
#轮廓面积与边界矩形比
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print ('轮廓面积与边界矩形比',extent)
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')
模板匹配
步骤:1、将图片分区如分成3*3的9个区
2、将每个区与模板匹配,每个区的像素点与模板对应的像素点进行比对,计算差异
模板匹配和卷积原理很像,模板在原图像上从原点开始滑动,计算模板与(图像被模板覆盖的地方)的差别程度,这个差别程度的计算方法在opencv里有6种,然后将每次计算的结果放入一个矩阵里,作为结果输出。假如原图形是AxB大小,而模板是axb大小,则输出结果的矩阵是(A-a+1)x(B-b+1)
- TM_SQDIFF:计算平方不同,计算出来的值越小,越相关 - TM_CCORR:计算相关性,计算出来的值越大,越相关 - TM_CCOEFF:计算相关系数,计算出来的值越大,越相关 - TM_SQDIFF_NORMED:计算归一化平方不同,计算出来的值越接近0,越相关 - TM_CCORR_NORMED:计算归一化相关性,计算出来的值越接近1,越相关 - TM_CCOEFF_NORMED:计算归一化相关系数,计算出来的值越接近1,越相关 公式:https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d
# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2]
img.shape
#上行的结果值:(263, 263)
template.shape
#上行的结果值:(110, 85)
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# cv2.TM_SQDIFF可改为1
res.shape
#上行的结果值:(154, 179)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)#minMaxLoc获得定位
#获得模板匹配最小值、最大值、最小值位置、最大值位置
min_val
#上行的结果值:39168.0
max_val
#上行的结果值:74403584.0
min_loc
#上行的结果值:(107, 89)
max_loc
#上行的结果值:(159, 62)
for meth in methods:
img2 = img.copy()
# 匹配方法的真值
method = eval(meth)
print (method)
res = cv2.matchTemplate(img, template, method)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED,取最小值
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
# 画矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)
plt.subplot(121), plt.imshow(res, cmap='gray')
plt.xticks([]), plt.yticks([]) # 隐藏坐标轴
plt.subplot(122), plt.imshow(img2, cmap='gray')
plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()
匹配多个对象
img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]): # *号表示可选参数
bottom_right = (pt[0] + w, pt[1] + h)
cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)
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)
高斯金字塔:向上采样法(扩大)
#up就是上采样
up=cv2.pyrUp(img)#pyrup()
#down就是下采样
up_down=cv2.pyrDown(up)
拉普拉斯金字塔
注:就是每一层=原始图像—原始图像的向下采样再向上采样
直方图
cv2.calcHist(images,channels,mask,histSize,ranges)
- images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
- channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
- mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
- histSize:BIN 的数目。也应用中括号括来
- ranges: 像素值范围常为 [0256]
直方图剩下的不想搞了,累了,过段时间再写
傅里叶变换
我们生活在时间的世界中,早上7:00起来吃早饭,8:00去挤地铁,9:00开始上班。。。以时间为参照就是时域分析。
但是在频域中一切都是静止的!
傅里叶分析之掐死教程(完整版)更新于2014.06.06 - 知乎
傅里叶变换的作用
-
高频:变化剧烈的灰度分量,例如边界
-
低频:变化缓慢的灰度分量,例如一片大海
滤波
-
低通滤波器:只保留低频,会使得图像模糊
-
高通滤波器:只保留高频,会使得图像细节增强
- opencv中主要就是cv2.dft()和cv2.idft(),输入图像需要先转换成np.float32 格式。
- 得到的结果中频率为0的部分会在左上角,通常要转换到中心位置,可以通过shift变换来实现。
- cv2.dft()返回的结果是双通道的(实部,虚部),通常还需要转换成图像格式才能展示(0,255)。
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
低通
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()
高通
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()