OpenCV学习1

形态学变换

cv2.morphologyEx(需要变换的图片, 选择变换方法, 核（kernel）)

形态学变换（Morphological Transformations）是一种基于形状的简单变换，它的处理对象通常是二值化图像。

1.核（kernel）

一个结构化元素，通常为3x3，5x5，7x7大小的矩阵。核拥有自己的结构，比如矩形（矩阵中元素全为1），椭圆（元素为1的构成一个椭圆，其他位置为0），十字形等，可以根据具体的需求选择。

2.腐蚀

以一个核的中心对应图像的每一个像素点，依次从左到右，从上到下遍历整个图像。在二值图像中如果核覆盖的区域（由核的大小决定）其中某一个位置的值为0，那么这个核的中心点的值，也就是该像素点的值就更改为0（黑色）。只有当核覆盖的整个区域的值都不为0时，及都为白色时，该像素点的值才为白色，如此遍历图像的每一个点。

作用：腐蚀操作能够逐步收缩目标物体边界，消除孤立的噪声像素以及细化连续的目标区域（前景区域）。

3.膨胀

与腐蚀的过程相似，但是值的变化不同，当核覆盖的区域存在一个像素点是白色的时，那么核的中心点，也就是当前遍历的像素点的值就为1（白色）。只有当核覆盖的区域全部为0（黑）时，该像素点的值才为0.

作用：膨胀操作能够逐步扩大目标物体边界，连接断裂的前景部分，并填充内部空洞，使得物体轮廓更加明显且连续。

4.开运算

先腐蚀再膨胀

作用：消除噪点，去除小的杂质，而不影响图像的主体

5.闭运算

先膨胀再腐蚀

作用：消除图像中的小坑洞，连接有细小裂缝的图像区域

6.礼帽运算

原图像与开运算结果图像之差，可以查看到开运算去除的小杂质

7.黑帽运算

原图像与闭运算结果图像之差，可以查看到原图像中的细小坑洞，裂缝等

8.形态学梯度

膨胀后图像与腐蚀后图像之差，通过比较原图像与膨胀图和腐蚀图之间的差异来突出图像边缘特征。

import cv2
import numpy as np

im = cv2.imread("./my_images/car4.png")

kernel = np.ones((5, 5), dtype=np.uint8)
# 腐蚀
im_erode = cv2.erode(im, kernel, iterations=1)
# 膨胀
im_dilate = cv2.dilate(im, kernel, iterations=1)
# 开运算
im_open = cv2.morphologyEx(im, cv2.MORPH_OPEN, kernel)
# 闭运算
im_close = cv2.morphologyEx(im, cv2.MORPH_CLOSE, kernel)
# 礼帽运算
im_tophat = cv2.morphologyEx(im, cv2.MORPH_TOPHAT, kernel)
# 黑帽运算
im_blackhat = cv2.morphologyEx(im, cv2.MORPH_BLACKHAT, kernel)
# 形态学梯度（膨胀图像与腐蚀图像之差）
im_gradient = cv2.morphologyEx(im, cv2.MORPH_GRADIENT, kernel)

cv2.imshow("im_erode", im_erode)
cv2.imshow("im_dilate", im_dilate)
cv2.imshow("im_open", im_open)
cv2.imshow("im_close", im_close)
cv2.imshow("im_tophat", im_tophat)
cv2.imshow("im_blackhat", im_blackhat)
cv2.imshow("im_gradient", im_gradient)
cv2.waitKey(0)

图像颜色识别

计算机常用的颜色空间，RGB，HSV

颜色加法

图像可以使用numpy中的矩阵加法，也可以使用opencv中的加法运算（加法和加权加法）

区别：如果超出uint8的范围，numpy采用取模的操作，而opencv则是饱和操作（超出255，视为255）

import cv2
import numpy as np

im = cv2.imread("./my_images/pig.png")
im1 = cv2.imread("./my_images/cao.png")

# numpy矩阵直接相加
im_np = im + im1
# 使用opencv中的add相加
im_add = cv2.add(im, im1)
# 加权加法
im2 = cv2.addWeighted(im, 0.3, im1, 0.7, 0)

cv2.imshow("im_np", im_np)
cv2.imshow("im_add", im_add)
cv2.imshow("im2", im2)
cv2.waitKey(0)

HSV颜色空间

HSV颜色空间使用色调（Hue）、饱和度（Saturation）和亮度（Value）三个参数来表示颜色，色调H表示颜色的种类，如红色、绿色、蓝色等；饱和度表示颜色的纯度或强度，如红色越纯，饱和度就越高；亮度表示颜色的明暗程度，如黑色比白色亮度低。

优点：

降维处理有利于计算：在图像处理中，降维处理可以减少计算的复杂性和计算量。HSV颜色空间相对于RGB颜色空间，减少了两个维度（红、绿、蓝），这有利于进行一些计算和处理任务，比如色彩分割、匹配等。

图像颜色识别替换

掩膜：一种在图像处理中常见的操作，它用于选择性地遮挡图像的某些部分，以实现特定任务的目标，通常为二值图像（黑，白）

与运算：逻辑运算的一种，例如255&221，在二进制中分别为11111111和11011101，两个数按位进行与运算，同真为真，一假具假

颜色识别：将图像转换为HSV空间，通过对像素值的范围判断，识别对应的颜色

颜色替换：通过制作掩膜，掩膜的大小与原图大小一致，元素一一对应，可以按照掩膜中的坐标对应修改像素值，从而达到替换颜色的目的

import cv2
import numpy as np

im = cv2.imread("./my_images/demo.png")
im_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)
# 制作掩膜
lower = np.array([26, 43, 46])
upper = np.array([34, 255, 255])
# 原图像进行与运算，获得识别后的图像
#im1 = cv2.bitwise_and(im, im, mask=mask)

mask = cv2.inRange(im_hsv, lower, upper)
# 颜色替换
im[mask == 255] = (0, 255, 0)

cv2.imshow("im", im)
cv2.imshow("mask", mask)
cv2.waitKey(0)

ROI切割

与numpy中数组元素的切片相同

import cv2
import numpy as np

im = cv2.imread("./my_images/1.png")

# ROI切割
im_roi = im[300:600, 300:600]
cv2.imshow("im_roi", im_roi)
cv2.waitKey(0)

numpy中数组元素的切片相同

import cv2
import numpy as np

im = cv2.imread("./my_images/1.png")

# ROI切割
im_roi = im[300:600, 300:600]
cv2.imshow("im_roi", im_roi)
cv2.waitKey(0)