Python计算机视觉（二）_python视觉

图像处理

图像阈值

ret,dst = cv2.threshold(src,thresh,maxval,type)
 - 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，包含以下五种类型：cv2.THRESH_BINARY,cv2.THRESH_BINARY_INV,cv2.THRESH_TRUNC,cv2.THRESH_TOZERO,cv2.THRESH_TOZERO_INV
 - cv2.THRESH_BINARY：超过阈值部分去maxval（最大值），否则取0
 - cv2.THRESH_BINARY_INV：小于阈值取maxval（最大值），否则取0
 - cv2.THRESH_TRUNC：大于部分设为阈值，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：上述的反转，小于不改变，大的取0
#上面如果要全部复制，请注释
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
titles = ['Original','Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img,thresh1,thresh2,thresh3,thresh4,thresh5]
#绘制图像，到一张图里面，形成子图
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray')
    plt.xticks([])
    plt.yticks([])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

添加噪音

高斯噪音

import numpy as np
#读取图片
img = cv2.imread("image.png")
img.shape
img_height = 512
img_width = 512
img_channels = 3
#设置高斯分布的均值和方差
mean = 0
#设置高斯分布的标准差
sigma = 25
#根据均值和标准差生成符合高斯分布的噪声
gauss = np.random.normal(mean,sigma,(img_height,img_width,img_channels))
#给图片添加高斯噪声
noisy_img = img + gauss
#设置图片添加高斯噪声之后的像素值的范围
noisy_img = np.clip(noisy_img,a_min=0,a_max=255)
#保存图片
cv2.imwrite("noisy_img.png",noisy_img)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

椒盐噪音

#读取图片
Img = cv2.imread("image.png")
#设置添加椒盐噪声的数目比例
s_vs_p = 0.5
#设置添加噪声图像像素的数目
amount = 0.04
noisy_img = np.copy(Img)
#添加salt噪声
num_salt = np.ceil(amount * Img.size * s_vs_p)
#设置添加噪声的坐标位置
coords = [np.random.randint(0,i - 1, int(num_salt)) for i in Img.shape]
noisy_img[coords[0],coords[1],:] = [255,255,255]
#添加pepper噪声
num_pepper = np.ceil(amount * Img.size * (1. - s_vs_p))
#设置添加噪声的坐标位置
coords = [np.random.randint(0,i - 1, int(num_pepper)) for i in Img.shape]
noisy_img[coords[0],coords[1],:] = [0,0,0]
#保存图片
cv2.imwrite("Noisy.png",noisy_img)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

图像平滑处理

img = cv2.imread("Noisy.png")
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
#均值滤波
blur = cv2.blur(img,(3,3))
cv2.imshow('blur',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
#方框滤波
#基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3),normalize=True)
cv2.imshow('box',box)
cv2.waitKey(0)
cv2.destroyAllWindows()
#方框滤波二
#基本和均值一样，可以选择归一化,越界取255
box = cv2.boxFilter(img,-1,(3,3),normalize=False)
cv2.imshow('box',box)
cv2.waitKey(0)
cv2.destroyAllWindows()
#高斯滤波
#高斯模糊的卷积核数据是满足高斯分布、相当于更重视中间的
aussian = cv2.GaussianBlur(img,(5,5),1)
cv2.imshow('aussian',aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
#中值滤波
#相当于用中值代替
median = cv2.medianBlur(img,5)
cv2.imshow('median',median)
cv2.waitKey(0)
cv2.destroyAllWindows()
#展示所有的
res = np.hstack((blur,aussian,median))
cv2.imshow('median vs average',res)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

形态学-腐蚀操作

import cv2
img = cv2.imread("fushi.jpg")
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((4,4),np.uint8)
#kernel是腐蚀核，表示腐蚀的大小
#iterations表示迭代次数，腐蚀的程度
erosion = cv2.erode(img,kernel,iterations = 1)
#图像展示
cv2.imshow('erosion',erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
pie = cv2.imread('pie.png')
cv2.imshow('pie',pie)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((30,30),np.uint8)
#这里验证不同的迭代次数对于腐蚀操作的影响
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 2)
erosion_3 = cv2.erode(pie,kernel,iterations = 3)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

通过对腐蚀操作的不断实践，大概了解了腐蚀的作用，就是将利用边缘腐蚀的操作，不断地削减线条从而达到除毛的目的。

形态学-膨胀操作

import cv2
img = cv2.imread("fushi.jpg")
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((4,4),np.uint8)
dige_dilate = cv2.dilate(erosion,kernel,iterations = 1)
cv2.imshow('dilate',dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
kernel = np.ones((30,30),np.uint8)
#这里验证不同的迭代次数对于膨胀操作的影响
erosion_1 = cv2.dilate(pie,kernel,iterations = 1)
erosion_2 = cv2.dilate(pie,kernel,iterations = 2)
erosion_3 = cv2.dilate(pie,kernel,iterations = 3)
#合并
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()
#注意一点，核越小虽然达到同样的程度，迭代次数需要更多，但是同样的圆会更圆
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

膨胀刚好是相反的操作。

开运算与闭运算

#开：先腐蚀，再膨胀
img = cv2.imread('fushi.jpg')
kernel = np.ones((5,5),np.uint8)
#开闭运算的不同只在于参数2的不同，一个是open，一个是close
opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
#闭：先膨胀，再腐蚀
img = cv2.imread('fushi.jpg')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
cv2.imshow('opening',opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
#去毛一定是开运算，闭运算是用来填坑
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

去毛一定是开运算，闭运算是用来填坑，但都是用来平滑处理边缘区域的。

梯度运算

#梯度=膨胀-腐蚀
pie = cv2.imread("pie.png")
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)
res = np.hstack((dilate,erosion))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()
#梯度下降操作
gredient = cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel)
cv2.imshow('gradient',gredient)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

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

#礼帽
img = cv2.imread("fushi.jpg")
tophat = cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel)
cv2.imshow('tophat',tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
#黑帽
img = cv2.imread("fushi.jpg")
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
cv2.imshow('blackhat',blackhat)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12

开运算可以消除暗背景下的高亮区域，那么如果用原图减去开运算结果就可以得到原图中灰度较亮的区域，所以又称白顶帽变换，简称为礼帽
闭运算可以删除亮背景下的暗区域，那么用原图减去闭运算结果就可以得到原图像中灰度较暗的区域，所以又称黑底帽变换。
例子：

https://blog.csdn.net/great_yzl/article/details/119594716

img = cv2.imread('hat_example.png')
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
print(img.shape)
#通过颜色通道可以进行转化，这里是转化为灰度图像，当然可以最开始导入的时候，直接灰度导入
#但注意输入必须对应，比如BGR2GRAY是BGR的图像2是to到GRAY图像。
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img.shape
#二值化,第二个参数需要设置为0，会自动去寻找阈值，适用于双峰
#返回第一个是阈值
retval,img_two = cv2.threshold(img,0,255,cv2.THRESH_OTSU)
print(img_two.shape)
cv2.imshow('img_two',img_two)
cv2.waitKey(0)
cv2.destroyAllWindows()
#利用黑帽的特性
#闭运算可以删除亮背景下的暗区域，那么用原图减去闭运算结果就可以得到原图像中灰度较暗的区域，所以又称黑底帽变换。
#就可以得到只保留圆环的图像，但存在白色缺少，因此我们使用闭运算填充
kernel = np.ones((35,35),np.uint8)
black_img = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel)
retval,img_two = cv2.threshold(black_img,0,255,cv2.THRESH_OTSU)
cv2.imshow('blackhat',img_two)
cv2.waitKey(0)
cv2.destroyAllWindows()
#这里运用闭运算填充缺失部分
kernel = np.ones((4,4),np.uint8)
opening = cv2.morphologyEx(black_img,cv2.MORPH_CLOSE,kernel)
retval,img_two = cv2.threshold(opening,0,255,cv2.THRESH_OTSU)
cv2.imshow('opening',img_two)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

图像梯度-Sobel算子

Sobel算子

img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4

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

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
#cv2.CV_64F是保留负数，ksize = 3 是用的核是3*3,1,0是只计算x
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')

#这里加了一步转化，即把后面的负数转化为正数，取绝对值
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')

#这里是对y进行
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show(sobely,'sobely')

sobel = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobel,'sobel')

#到了这一步可以看到梯度本质上是找到边界并得出边界。
img = cv2.imread('image.png',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
sobel  = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobel,"sobel")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

Scharr算子

和上面的sobel算子相比值更大，对数据更敏感

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)
scharr  = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
cv_show(scharr,"scharr")
1
2
3
4
5
6

laplacian算子

laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)
res = np.hstack((sobel,scharr,laplacian))
cv_show(res,"res")
1
2
3
4

以上是介绍了三种梯度计算算子。

Canny边缘检测

1、使用高斯滤波器，以平滑图像，滤除噪声
2、计算图像中每个像素点的梯度强度和方向。
3、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。
4、应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5、通过抑制孤立的弱边缘最终完成边缘检测。

https://blog.csdn.net/saltriver/article/details/80545571
上面是一篇对Canny边缘检测解释的文章

#简单实例
img = cv2.imread('image.png',cv2.IMREAD_GRAYSCALE)
#Canny没有将图像降噪纳入，因此需要自己进行降噪
img = cv2.GaussianBlur(img, (5,5), 0)
cv_show(img,'img')
#后面两个参数为阈值参数
v1 = cv2.Canny(img,80,150)
v2 = cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')

img = cv2.imread('Noisy.png',cv2.IMREAD_GRAYSCALE)
#Canny没有将图像降噪纳入，因此需要自己进行降噪
#高斯核的大小控制我们降噪的程度，之前没有降噪成功是因为高斯核太小
img = cv2.GaussianBlur(img, (11,11), 0)
cv_show(img,'img')
#后面两个参数为阈值参数
v1 = cv2.Canny(img,80,150)
v2 = cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')
#Canny在有噪声的情况下表现好不好，取决于前面的降噪过程，这也是为什么OpenCV将图像降噪放在Canny函数外面的原因吧，需要你自己精心调整它。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

图像金字塔

https://zhuanlan.zhihu.com/p/112040797

高斯金字塔

img = cv2.imread('AM.png')
cv_show(img,'img')
1
2

上采样

up = cv2.pyrUp(img)
cv_show(up,'up')
1
2

下采样

down = cv2.pyrDown(img)
cv_show(down,'down')
1
2

先下采样，后上采样

downup = cv2.pyrUp(down)
cv_show(downup,"downup")
#可以看到明显变得模糊了
1
2
3

先上采样，再下采样

updown = cv2.pyrDown(up)
cv_show(updown,'updown')
1
2

放到一起看，三种情况

res = np.hstack((img,downup,updown))
cv_show(res,"res")
1
2

小结：可以看到无论是先上采样还是先下采样，经过两个步骤的结果都会有数据缺失。

拉普拉斯金字塔

原始数据减去，downup后的数据

down = cv2.pyrDown(img)
downup = cv2.pyrUp(down)
l_l = img - downup
cv_show(l_l,'l_l')
1
2
3
4

注：拉普拉斯金字塔时，图像大小必须是2的n次方*2的n次方或图像长和宽相等，不然会报错！！！！！！！！！！！！！！！！！！！！！！！！！！！！！

图像轮廓

cv2.findContours(img,mode,method)
mode:轮廓检索模式
RETR_EXTERNAL ：只检索最外面的轮廓；
RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;#最重要
method:轮廓逼近方法
CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。
为了更高的准确率一般使用二值图像

绘制轮廓

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# -1默认是全部绘制
#注意需要copy，要不原图会变
draw_img = img.copy()
res = cv2.drawContours(draw_img,contours,-1,(255,0,0),2)
cv_show(res,'res')
1
2
3
4
5
6

轮廓特征

cnt = contours[0]
#面积计算
cv2.contourArea(cnt)
#周长计算
cv2.arcLength(cnt,True)
1
2
3
4
5

轮廓近似

img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret , thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours ,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img,[cnt],-1,(0,0,255),2)
cv_show(res,'res')

epsilon = 0.01*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img,[approx],-1,(0,0,255),2)
cv_show(res,'res')
1
2
3
4
5
6
7
8
9
10
11
12
13
14

边界矩形

img = cv2.imread('contours.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours ,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[1]
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')
#上述是返回无旋转最优矩阵
1
2
3
4
5
6
7
8
9

最小外接矩形

import warnings
warnings.filterwarnings('ignore')
#上述是不报错
#这里是返回最优矩阵，可以旋转
#rect三个参数，第一个是中心点，第二个是长和宽，第三个是旋转角度
rect = cv2.minAreaRect(cnt)
#这里是根据中心点、长宽、旋转角度、从而得到主要四个端点的左边
box = cv2.boxPoints(rect)
#numpy.int0 (np.int0)，这个其实就是numpy.int64(np.int64)
box = np.int0(box)
img_1 = cv2.drawContours(img, [box], 0, (0, 0, 255), 2)
cv_show(img_1,'image.pn')
1
2
3
4
5
6
7
8
9
10
11
12

外接圆

(x,y) , radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img  = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')
1
2
3
4
5

模版匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

#模型匹配
img = cv2.imread('image.png',0)
template = cv2.imread('face.jpg',0)
h,w = template.shape[:2]
print(img.shape)
print(template.shape)
1
2
3
4
5
6

TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
TM_CCORR：计算相关性，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

https://docs.opencv.org/3.3.1/df/dfb/group__imgproc__object.html#ga3a7850640f1fe1f58fe91a2d7583695d
上面是相关介绍网址

匹配单个对象

#模型匹配
img = cv2.imread("lena.jpg",0)
template = cv2.imread('face.jpg',0)
h,w = template.shape[:2]
print(img.shape)
print(template.shape)
methods = ['cv2.TM_SQDIFF','cv2.TM_CCORR','cv2.TM_CCOEFF','cv2.TM_SQDIFF_NORMED','cv2.TM_CCORR_NORMED','cv2.TM_CCOEFF_NORMED']
res = cv2.matchTemplate(img,template,cv2.TM_SQDIFF_NORMED)
res.shape
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
print(min_val,max_val,min_loc,max_loc)
print(eval('cv2.TM_SQDIFF_NORMED'))
1
2
3
4
5
6
7
8
9
10
11
12

依次便利每一个方法

for meth in methods:
    img2 = img.copy()
    method = eval(meth)
    print(method)
    res = cv2.matchTemplate(img,template,method)
    min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)
    if method in [cv2.TM_SQDIFF,cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0]+w,top_left[1]+h)
    cv2.rectangle(img2,top_left,bottom_right,255,2)
    plt.subplot(121)
    plt.imshow(res,cmap = 'gray')
    plt.xticks([])
    plt.yticks([])
    plt.subplot(122)
    plt.imshow(img2,cmap='gray')
    plt.xticks([])
    plt.yticks([])
    plt.suptitle(meth)
    plt.show()
    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

匹配多个对象

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.jpg',0)
h,w = template.shape[:2]

res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where (res >= threshold)
for pi in zip(*loc[::-1]):
    bottom_right = (pi[0]+w,pi[1]+h)
    cv2.rectangle(img_rgb,pi,bottom_right,(0,0,255),2)
cv2.imshow('image.png',img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

直方图

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline 
def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
1
2
3
4
5
6
7
8

cv2.calcHist(images,channels,mask,histSize,ranges)
images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
histSize:BIN 的数目。也应用中括号括来
ranges: 像素值范围常为 [0256]

img = cv2.imread('image.png',0)#0表示灰度图
hist =  cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape
plt.hist(img.ravel(),256)
plt.show()
1
2
3
4
5

img = cv2.imread('image.png')
color = ("b","g","r")
for i,col in enumerate(color):
    print(i,col)
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color=col)
    plt.xlim([0,256])
1
2
3
4
5
6
7

mask操作

#创建mask
mask = np.zeros(img.shape[:2],np.uint8)
print(mask.shape)
mask[100:300,100:400] = 255
cv_show(mask,'mask')

img = cv2.imread('image.png',0)
# cv_show(img,'img')
masked_img = cv2.bitwise_and(img,img,mask=mask)
cv_show(masked_img,"masked_img")

hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])

plt.subplot(221),plt.imshow(img,'gray')
plt.subplot(222),plt.imshow(mask,'gray')
plt.subplot(223),plt.imshow(masked_img,'gray')
plt.subplot(224),plt.plot(hist_full),plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

均衡化

img = cv2.imread('cat.jpg',0)
plt.hist(img.ravel(),256)
plt.show()

#均衡化，原理是利用概率方式
img = cv2.imread('cat.jpg',0)
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()
1
2
3
4
5
6
7
8
9

自适应直方图均衡化

clahe = cv2.createCLAHE(clipLimit = 2.0,tileGridSize = (8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show(res,"res")
1
2
3
4

傅里叶变换

我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。
但是在频域中一切都是静止的！
https://zhuanlan.zhihu.com/p/19763358

傅里叶变换的作用

高频：变化剧烈的灰度分量，例如边界
低频：变化缓慢的灰度分量，例如一片大海

滤波

低通滤波器：只保留低频，会使得图像模糊
高通滤波器：只保留高频，会使得图像细节增强
opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式。
得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。
cv2.dft()返回的结果是双通道的（实部，虚部），通常需要转换成图像格式才能展示（0,255）。

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)
#转化类型
img_float32 = np.float32(img)

#得到低频值
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
#位置中移
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
#结果映射
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
#绘图
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

低通滤波

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

#得到长和宽
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
#中心区域变成1
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# IDFT
# 离散傅里叶逆变换
fshift = dft_shift*mask
#还原
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
#实部和虚部进行转化
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()                
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

高通滤波

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

两篇文章涵盖OpenCV部分基本操作。这里大部分内容引用于B站课程。python-木子