OpenCV学习笔记

---

前言

因为想要去张亮老师的实验室摸摸鱼，于是开始学OpenCV，这是一些学OpenCV的笔记。

---

一、图片的导入

import cv2#导入OpenCV
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline 
img = cv2.imread('1.jpg')#从当前目录下读取图片
cv2.imshow('img_show',img)#创建窗口img_show展示img
cv2.waitKey(0)
cv2.destroyAllWindows()#销毁窗口
cv2.waitKey(1)#直接关窗口会卡住查询后添加这一行就没问题了

运行结果如图（原图）后面处理都用这张图

二、其他常用操作

img.shape#输出图片的尺寸

img=cv2.imread('1.jpg',cv2.IMREAD_GRAYSCALE)#转换成灰度图

cv2.imwrite('ans.jpg',img)#保存图片命名为'ans.jpg'

b,g,r=cv2.split(img)#分出来三个通道的图像（都是灰度图）

img_b=img.copy()
img_b[:,:,2]=0#rgb对应210
img_b[:,:,1]=0#2和1通道为0则得到只有blue的图像

gam=cv2.resize(game,(680,454))#重新设置图片尺寸

三、视频的读取和输出

视频就是由一帧一帧的图片组成的，所以读入视频后，可以循环输出每一帧的图片，达到播放视频的效果。

vc = cv2.VideoCapture('girl.mp4')#读入视频
if vc.isOpened():#检测是否读取成功
    open,frame=vc.read()
else:
        open=False
while open:#循环输出每一帧图片
    ret,frame=vc.read()
    if frame is None:
        break
    if ret==True:
        cv2.imshow("result",frame)
    if cv2.waitKey(20)&0xFF == 27:#waitKey里面数字越大播放速度越慢
        break
vc.release()
cv2.destroyAllWindows()
cv2.waitKey(1)

四、ROI（感兴趣区域）

就是截取图片的一部分，直接用中括号[ : ; : ; ]

cat=img[0:300,400:800]

五、图像阈值

cv2.threshold()函数的作用是将一幅灰度图二值化，基本用法如下：
ret,dst=cv2.threshold(src,thresh,maxval,type)
src:：灰度图
thresh：阈值，返回值ret等于thresh
maxval：最大值
type：阈值类型
对于最后一个参数，常见的阈值类型有：
THRESH_BINARY(大于阈值的取maxval，其余取0)
THRESH_BINARY_INV（和上面相反）
THRESH_TRUNC（截断，大于阈值的都等于阈值，其余不变）
THRESH_TOZERO（大于部分不变，其他取0）
THRESH_TOZERO_INV(和上相反)

ret,t1=cv2.threshold(img,127,255,cv2.THRESH_BINARY)#示例

转换成灰度图后再阈值操作

六、图像平滑处理

平滑的目的
1. 模糊：在提取大目标之前，去除太小的细节将目标内的小间断点连接。
2.消除噪声:改善图像质量，降低干扰。

1.均值滤波

简单的平均卷积操作

blur=cv2.blur(img,(3,3))

2. 高斯滤波

高斯滤波的卷积核里的数值符合高斯分布，相当于更重视中间的数值

aussian=cv2.GaussianBlur(img,(5,5),1)

3.中值滤波

用中值代替

median=cv2.medianBlur(img,5)

七、形态学处理

常用的形态学处理方法包括：腐蚀、膨胀、开运算、闭运算、顶帽运算、底帽运算，其中膨胀与腐蚀是图像处理中最常用的形态学操作手段，其他方法是两者相互组合而产生的。

• 膨胀与腐蚀

黑白图像上，腐蚀就是把结构元能够覆盖到黑色区域的点全部数值设为0（变黑)
膨胀则刚好相反，把在黑色区域的能够覆盖到白色区域的点变白（目前的粗浅理解）

kernel = np.ones((3,3),np.uint8) #一个核（结构元？）
erosion = cv2.erode(img,kernel,iterations = 1)#腐蚀操作，第三个参数是迭代次数

kernel = np.ones((30,30),np.uint8) 
dilate_1 = cv2.dilate(pie,kernel,iterations = 1)#膨胀操作

• 开闭运算

开运算：先腐蚀再膨胀
闭运算：先膨胀再腐蚀

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

• 梯度

梯度=膨胀-腐蚀

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

• 礼帽和黑帽

礼帽 = 原始输入-开运算结果
黑帽 = 闭运算-原始输入

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)

八、计算梯度

通过卷积操作计算出图像的梯度

• Sobel算子
• Scharr算子
• laplacian算子

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

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)#表示只算水平方向
sobelx = cv2.convertScaleAbs(sobelx)#取绝对值不然有一边是负数会自动取0
cv_show(sobelx,'sobelx')

三种算子的区别

#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))

cv2.imshow('gradient', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

九、Canny边缘检测

• 使用高斯滤波器，以平滑图像，滤除噪声。

• 计算图像中每个像素点的梯度强度和方向。

• 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

• 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
  

• 通过抑制孤立的弱边缘最终完成边缘检测。

img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)

res = np.hstack((v1,v2))
cv2.imshow('gradient', res)
cv2.waitKey(0)
cv2.destroyAllWindows()