OpenCV学习笔记

OpenCV学习<一>

二.图像处理

2.1灰度图和HSV 颜色空间

import cv2
import matplotlib.pyplot as plt
import numpy as np
img=cv2.imread('../photo/cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("img_gray",img_gray)
cv2.imshow("img_hsv",img_hsv)
while cv2.waitKey(0) != -1 :
    cv2.destroyAllWindows()
    cv2.imwrite('../save/cat_2_1_img_gray.jpg',img_gray)
    cv2.imwrite('../save/cat_2_1_img_hsv.jpg', img_hsv)
    break

2.1.1灰度图

相较于彩色图而言，使用灰度图最直接的原因就是减少计算量，包含色彩的图片，特征量，计算量会成指数倍数增加，比如一个点，灰度的话，就256个维度而已，但是如果算上RGB色彩的话，那就是1600万以上维度。

函数： cv.cvtColor(img,type)

作用：将图像从一个色彩空间转换为另一个色彩空间。

参数：img:处理的图像

type:转换的类型，灰度图为COLOR_BGR2GRAY

2.1.2HSV颜色空间

函数： cv.cvtColor(img,type)

作用：将图像从一个色彩空间转换为另一个色彩空间。

参数：img:处理的图像

type:转换的类型，HSV图为COLOR_BGR2HSV

在 HSV 颜色空间下，比 BGR 更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。

HSV 表达彩色图像的方式由三个部分组成：

• Hue（色调、色相）

• Saturation（饱和度、色彩纯净度）

• Value（明度）

用下面这个圆柱体来表示 HSV 颜色空间，圆柱体的横截面可以看做是一个极坐标系 ，H 用极坐标的极角表示，S 用极坐标的极轴长度表示，V 用圆柱中轴的高度表示。

Hue 用角度度量，取值范围为0～360°，表示色彩信息，即所处的光谱颜色的位置。，表示如下：

颜色圆环上所有的颜色都是光谱上的颜色，从红色开始按逆时针方向旋转，Hue=0 表示红色，Hue=120 表示绿色，Hue=240 表示蓝色等等。

在 GRB中 颜色由三个值共同决定，比如黄色为即 (255,255,0)；在HSV中，黄色只由一个值决定，Hue=60即可。

HSV 圆柱体的半边横截面（Hue=60）：

其中水平方向表示饱和度，饱和度表示颜色接近光谱色的程度。饱和度越高，说明颜色越深，越接近光谱色饱和度越低，说明颜色越浅，越接近白色。饱和度为0表示纯白色。取值范围为0～100%，值越大，颜色越饱和。

竖直方向表示明度，决定颜色空间中颜色的明暗程度，明度越高，表示颜色越明亮，范围是 0-100%。明度为0表示纯黑色（此时颜色最暗）。

可以通俗理解为：

在Hue一定的情况下，饱和度减小，就是往光谱色中添加白色，光谱色所占的比例也在减小，饱和度减为0，表示光谱色所占的比例为零，导致整个颜色呈现白色。

明度减小，就是往光谱色中添加黑色，光谱色所占的比例也在减小，明度减为0，表示光谱色所占的比例为零，导致整个颜色呈现黑色。

2.2图像阈值处理和图像平滑处理

import cv2
import matplotlib.pyplot as plt
import numpy as np
img=cv2.imread('../photo/cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
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()

2.2.1图像阈值处理

函数：ret,dst = cv2.threshold(src,thresh,maxval,type)

作用：阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域 (目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。

参数：

• 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

2.2.2图像平滑处理

2.2.2.1均值滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('../photo/lenaNoise.png')
img_blur = cv2.blur(img,(3,3))
cv2.imshow('img', img)
cv2.imshow('img_blur', img_blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

函数：result = cv2.blur(src,ksize)

作用：使用规范化框滤镜模糊图像。该函数使用内核平滑图像，实际上就是模糊处理图像

参数：src:处理的图像

ksize:表示核大小。核必须是大于1的奇数，如3、5、7等。

均值滤波是指任意一点的像素值，都是周围

个像素值的均值。例如下图中，红色点的像素值是其周围蓝色背景区域像素值之和除25，25=5x5 是蓝色区域的大小。

均值滤波详细的计算方法如下图所示：

其中5x5的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像，如下图所示：

提取 1/25 可以将核转换为如下形式：

2.2.2.2中值滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('../photo/lenaNoise.png')
img_medianBlur = cv2.medianBlur(img,3)
cv2.imshow('img', img)
cv2.imshow('img_medianBlur', img_medianBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()

函数：dst = cv2.medianBlur(src,ksize)

作用：使用规范化框滤镜模糊图像。该函数使用内核平滑图像，实际上就是模糊处理图像

参数：src ：表示源图像；

ksize ：表示核大小。核必须是大于1的奇数，如3、5、7等。

在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口

，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。计算过程如下图所示：

2.2.2.3高斯滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('../photo/lenaNoise.png')
img_GaussianBlur = cv2.GaussianBlur(img,(3,3),0)
cv2.imshow('img', img)
cv2.imshow('img_GaussianBlur', img_GaussianBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()

函数：dst = cv2.GaussianBlur(src, ksize, sigmaX)

作用：使用规范化框滤镜模糊图像。该函数使用内核平滑图像，实际上就是模糊处理图像

参数：

src： 表示原始图像；

ksize： 表示核大小；

sigmaX： 表示X方向方差。直接赋值0即可

注：核大小（N, N）必须是奇数，X方向方差主要控制权重。

1）核大小为 3x3

2）核大小为 5x5

为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。

图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 3x3 和 5x5 邻域的高斯模板。

（1）核大小为 3x3

（1）核大小为 5x5

高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。如下图所示，中心位置权重最高为0.4。

2.2.2.4方框滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('../photo/lenaNoise.png')
img_boxFilter = cv2.boxFilter(img,-1,(3,3),1)
cv2.imshow('img', img)
cv2.imshow('img_boxFilter', img_boxFilter)
cv2.waitKey(0)
cv2.destroyAllWindows()

函数：dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )

作用：使用规范化框滤镜模糊图像。该函数使用内核平滑图像，实际上就是模糊处理图像

参数：

dst:返回值，表示经过方框滤波处理后的结果。

src:需要被处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度可以是 CV_8U、 CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。

ddepth:处理后结果图像的深度，一般使用-1表示与原始图像使用相同的图像深度。

ksize:滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高度和宽度。例如，滤波核的值可以为(3,3)，表示以3×3大小的邻域均值作为图像均值滤波处理的结果，如下图2-1所示。

图2-1  3×3大小的滤波核

anchor:锚点，默认值为(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。

normalize:表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围内的值）处理，该参数是一个逻辑值，可能为真（值为 1）或假（值为 0）

当参数normalize=0时，表示不需要进行归一化处理，直接使用邻域像素值的和。

当参数normalize=1时，表示要进行归一化处理，要用邻域像素值的和除以面积。

与均值滤波不同的是，方框滤波不会计算像素的均值。在均值滤波中，滤波结果的像素值是任意一个点的邻域平均值，等于各邻域像素值之和除以邻域面积。而在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。

以5×5的邻域为例，在进行方框滤波时，如果计算的是邻域像素值的均值，则滤波关系如图1-1所示;如果计算的是邻域像素值之和，则滤波关系如图1-2所示。

图1-1  方框滤波关系示例–计算邻域像素值均值

图1-2  方框滤波关系示例–计算邻域像素值之和

根据上述关系，如果计算的是领域像素值的均值，则使用的卷积核如图1-3所示

图1-3  计算邻域像素值均值所用的卷积核示例

如果计算的是邻域像素值之和，则使用的卷积核如图1-4所示：

图1-4  计算邻域像素值之和所用的卷积核示例