Opencv-Python

一、Opencv-Python简介

        Opencv-Python 是Python代码组合成的一个库，用来解决计算机视觉问题。

        Python编程变得越来越流行的原因是它的简易性和代码可读性。Python可以通过写更少的代码来表达编程者的“想要做的事”，并且不失去代码的可读性。

        与C/C++语言相比，Python确实相对比较慢。C/C++代码可以扩展至Python，也就是说，我们写的C/C++代码可以封装成Python包用于充当python模块。这可以有两个优势：1.这些扩展代码和原始的C/C++代码速度一样快。2.结合这些扩展代码，在Python中继续书写更加方便的代码。而Opencv-Python就是C++实践的Python包。

         Opencv-Python使用Numpy库。Numpy库是matlab风格的，并在数字运算领域非常优秀的库。所有Opencv矩阵结构都是在Numpy矩阵之间转化，这能够很好地结合与利用起其他使用Numpy矩阵的库如SciPy和Matplotlib。

二、Image基本操作

      1、 如何使用cv2.imread()，cv2.imshow()，cv2.imwrite()来读入、显示和保存一张图像。

       cv2.imread()第一个参数需要给出读入图片所在的完整工作路径（不能有中文路径），第二个参数是图片读入的方式：cv2.IMREAD_COLOR（读入彩色图像），cv2.IMREAD_GRAYSCALE（读入灰度图），cv2.IMREAD_UNCHANGED（包含alpha通道的图像）。或者分别用数字1，0，-1代替。

import cv2
import numpy as np

img = cv2.imread('C:/Users/SLJ/Desktop/pic.jpg',cv2.IMREAD_GRAYSCALE)
cv2.namedWindow('Image',cv2.WINDOW_NORMAL)
cv2.imshow('Image',img)
cv2.waitKey(0)
cv2.imwrite('C:/Users/SLJ/Desktop/pic_another.jpg',img)

     2、获取以及修改图像中像素点的值

     px = img[200,200]（获取(200,200)坐标点中的像素值）；对于灰度图而言，img[200,200] = 255（将(200,200)坐标点中的像素值赋值为255）；对于RGB图，img[i,j] = (b,g,r)。在C++中这一操作为int px = img.at<unsigned char>(200,200)；img.at<unsigned char>(200,200) = 255。但以上读取已经赋值图像数据的方法并不好，Numpy是一个针对矩阵计算的一个优化库。如果只是简单获取每一个像素值或者修改它，使用这种方法会非常慢。

     若对于图像中整一行赋值，可采用例如img[100,:] = 255,将img中第100行中的所有像素赋值为255。

     3、获取图像中的属性

     图像中的属性包括行、列、通道(height,width,channel) = img.shape；在C++中要获取信息一般是int height = img.rows，int width = img.cols，int channels = img.channels()。计算图像中所有的像素点：total_pixel = img.size。

     4、获取图像ROI

     ROI = img[500:2000,1000:2000]，在C++中的方法为“Mat ROIImage = srcImage.rowRange(500,2000).colRange(1000,2000);”。在python中还可以将ROI贴到原图中img[600:2100,500:1500] = ROI,但在C++中就不可逆，需要用像素点填充的方法，因为同样“srcImage.rowRange(600, 2100).colRange(500, 1500) = ROIImage;”方法不管用。

import cv2
img = cv2.imread('IMG_2808.JPG',cv2.IMREAD_COLOR)  # 读入图像
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 将彩色图转化为灰度图
(height,width,channel) = img.shape  # 计算图像的长宽通道信息(不支持灰度图像，灰度图像没有channel)
totalPixel = img.size  # 图像所有的像素点
print(img.dtype)  # 图像的存储格式
ROI = img[500:2000,1000:2000]  # 截取图像的ROI
img[600:2100,500:1500] = ROI  # 将ROI重新赋值到图像上
cv2.namedWindow('img',cv2.WINDOW_NORMAL)  # 查看此时的图像
cv2.imshow('img',img)
cv2.waitKey(0)
px = GrayImage[100,200]  # 获取图像的像素值
for i in range(500,2000):  # 将图像上的一定的像素值置换（不推荐，速度非常慢）
    for j in range(500,1000):
        GrayImage[i,j] = 255
cv2.namedWindow('GrayImage',cv2.WINDOW_NORMAL) # 查看此时的图像
cv2.imshow('GrayImage',GrayImage)
cv2.waitKey(0)

三、Image计算操作

       1、图片的相加

        关于图片Image的相加方法有两种cv2.add(img1,img2)，或者简单的numpy方法res = img1 + img2。这两种最终得到的计算方式不同print(cv2.add(x,y)) # 250+10 = 260 => 255（如果有溢出则该像素变为最大值255）；print(x+y )# 250+10 = 260 % 256 = 4（如果有溢出则模256）。而addWeighted提供两幅图像权重相加dst = cv2.addWeighted(img1,0.7,img2,0.3,20)。当然还有图像相减操作。

       2、图像取反Bitwise操作（AND, OR, NOT and XOR operations）

import cv2
img = cv2.imread('IMG_2808.JPG',cv2.IMREAD_COLOR)  # 读入图像
GrayImage = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  # 将彩色图转化为灰度图
ret,mask = cv2.threshold(GrayImage,100,255,cv2.THRESH_BINARY)  # 灰度图像转化为二值图像
mask_inv = cv2.bitwise_not(mask)  # 将整体二值图像取反
GrayImage_ADD1 = cv2.add(GrayImage,GrayImage)  # 两张灰度相加，溢出取255
GrayImage_ADD2 = GrayImage + GrayImage  # 两张灰度图像相加，溢出取余
dst = cv2.addWeighted(GrayImage,0.3,GrayImage_ADD1,0.7,20)  # 两张灰度图像权重相加
cv2.namedWindow('ShowImage',cv2.WINDOW_NORMAL) # 查看此时的图像
cv2.imshow('ShowImage',mask_inv)
cv2.waitKey(0)

    

 

四、函数操作（举例）

1、自适应阈值法、寻找轮廓、绘制轮廓

# adaptive threshold
a_maxValue = 255
a_adaptiveMethod = 0
a_threType = 1
a_blockSize = 21
a_C = 21
thre_img = cv2.adaptiveThreshold(ROI, a_maxValue, a_adaptiveMethod, a_threType, a_blockSize, a_C)

# findContours
contours, hierarchy = cv2.findContours(thre_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cur_contour in contours:
    cur_box = cv2.minAreaRect(cur_contour) # 获取轮廓的最小矩形
    pts = cv2.boxPoints(cur_box) # 四个点表示最小矩形的轮廓
    center_X, center_Y = cur_box[0] # 最小矩形的中心点
    width, height = cur_box[1] # 最小矩形的长和宽
    angle = cur_box[2] # 最小矩形的角度

    radio_cols_rows = width / (height + 0.0001) # 筛选条件1
    box_area = width * height # 筛选条件2

    if radio_cols_rows > 0.5 and radio_cols_rows < 2.2 and box_area > 600 and box_area < 2500:
        for j in range(4):
            p_A = pts[j]
            p_B = pts[(j+1) % 4]
            cv2.line(ROI_show, (p_A[0], p_A[1]), (p_B[0], p_B[1]), (0, 0, 255))