PythonCV学习记录4——图片的转换_cv2.cvtcolor(img, cv2.color_bgr2gray)

目录

零之前言

一.颜色空间转换

1.认识颜色空间

2.颜色空间转换

二.几何变换

1.缩放

2.平移

3.旋转

4.仿射变换

5.透视变换

三.图片颜色转换

1.二值化

①固定阈值

②可变阈值

③双峰二值化

四.结尾-闲话

---

零之前言

以后对于PyCV的记录可能会不怎么详细了，要学的东西太多，还要学基于树莓派的Python编程，然后基于Python的网络编程，还有涉及部分数据库，当然最好还能再学一点儿机器学习。当然，这以上所有的东西，都基于Python。所以，我的PyCV也得加快，博客只用作记录，不写太多详细的类似教学的东西了。

一.颜色空间转换

1.认识颜色空间

我们OpenCV常见的颜色空间三个：BGR（亦或成为RGB）、Gray（灰度图）、HSV（类似于LAB,只是类似）。

停，不说了，不科普了，我懂就行了，时间不多了。。。

2.颜色空间转换

教程上写的，有150+种方法，然而，实际上用的最多的就是BGR to Gray 或 BGR to HSV

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

gra=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

HSV可用于简单的追踪，就像OpenMV里面一样，算了不多说了。就是加个滤色就行。

注：在 OpenCV 的 HSV 格式中，H（色彩/色度）的取值范围是 [0，179]，S（饱和度）的取值范围 [0，255]，V（亮度）的取值范围 [0，255]。

二.几何变换

1.缩放

缩放一般有两种代码。

第一种设置倍率：

res=cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)

第二种设置大小：

res=cv2.resize(img,(2*width,2*height),interpolation=cv2.INTER_CUBIC)

最后一个参数interpolation=在缩放时我们推荐使用 cv2.INTER_AREA，在扩展时我们推荐使用 v2.INTER_CUBIC（慢) 和 v2.INTER_LINEAR。

2.平移

我也不知道为什么，要一个方向矩阵，等我有空了再研究，这个算法是怎么把这个矩阵通过什么运算把另一个矩阵变换的

要建立这个矩阵的代码就是

M = np.float32([[1,0,tx],[0,1,ty]])

平移变换的核心代码：注意img.shape返回的是高，宽，这里面是宽，高

cv2.warpAffine(img,M,(宽,高))

3.旋转

不多说，看书↓↓↓↓↓ 对不起，我明天就去补线代的知识

因为，程序员可能也嫌麻烦，直接封装好了函数：

# 这里的第一个参数为旋转中心，第二个为旋转角度，第三个为旋转后的缩放因子
# 可以通过设置旋转中心，缩放因子，以及窗口大小来防止旋转后超出边界的问题
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,0.6)

然后完整的代码因该是这样的

import cv2
import numpy as np
 
img = cv2.imread('test.jpg',0)
cols,rows = img.shape
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,0.6)
dst=cv2.warpAffine(img,M,(cols,rows))
cv2.imshow('1', dst)
cv2.waitKey(0)

4.仿射变换

感觉就是换了个视角的方法去看图片，代码留下，我不想研究

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('test.jpg',1)
rows,cols,ch = img.shape
 
pts1 = np.float32([[50,50],[200,50],[50,200]])
pts2 = np.float32([[10,100],[200,50],[100,250]])
 
M = cv2.getAffineTransform(pts1,pts2)
 
dst = cv2.warpAffine(img,M,(cols,rows))
 
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()

5.透视变换

固定一个点的缩放？

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('test.jpg',1)
rows,cols,ch = img.shape
 
pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])
 
M = cv2.getPerspectiveTransform(pts1,pts2)
 
dst = cv2.warpPerspective(img,M,(300,300))
 
plt.subplot(121),plt.imshow(img),plt.title('Input')
plt.subplot(122),plt.imshow(dst),plt.title('Output')
plt.show()

三.图片颜色转换

该颜色转换是指各种阈yù值对颜色进行过滤。不是阀值。弟弟们看清楚了

1.二值化

①固定阈值

cv2.threshold(img,下限,上限,方式参数)

其中，下限上限是灰度图的阈值范围，方式参数有如下几点：

　　• cv2.THRESH_BINARY
　　• cv2.THRESH_BINARY_INV
　　• cv2.THRESH_TRUNC
　　• cv2.THRESH_TOZERO
　　• cv2.THRESH_TOZERO_INV

然后，参数的含义

效果：

②可变阈值

cv2.adaptiveThreshold(img,255,Adaptive Method,二值化方式,Block Size,C)

• Adaptive Method- 指定计算阈值的方法。
    – cv2.ADPTIVE_THRESH_MEAN_C：阈值取自相邻区域的平均值
    – cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。
• Block Size - 邻域大小（用来计算阈值的区域大小）。

•二值化方式 参照上文的固定阈值的参数
• C - 这就是是一个常数，阈值就等于的平均值或者加权平均值减去这个常数。

代码放这里，具体体验一下就知道了

import cv2
import numpy as np
from matplotlib import pyplot as plt
 
img = cv2.imread('test.jpg',0)
img = cv2.medianBlur(img,5)
 
ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)
 
titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]
 
for i in range(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

③.双峰二值化

不想研究，代码放这里，效果图放这里：

import cv2
import numpy as np
from matplotlib import pyplot as plt
 
img = cv2.imread('test.jpg',0)
 
# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
 
# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]
 
for i in range(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()

四.结尾-闲话

果然，学什么东西深入了就是搞数学。虽然，我这才半个脚指头入门……