cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])
参数：
        src：输入图像
        ddepth: 输出图像的深度（可以理解为数据类型），-1表示与原图像相同的深度
        dx,dy:当组合为dx=1,dy=0时求x方向的一阶导数，当组合为dx=0,dy=1时求y方向的一阶导数（如果同时为1，通常效果不佳）
        ksize:（可选参数）Sobel算子的大小，必须是1,3,5或者7,默认为3。

读取x方向边缘


# x方向的边缘
yuan = cv2.imread('./yuan.png')
yuan_x = cv2.Sobel(yuan, -1, dx=1, dy=0)
 
cv2.imshow('yuan', yuan)
cv2.waitKey(0)
cv2.imshow('yuan_x ', yuan_x)
cv2.waitKey(0)

该方法只能读取到左半边边缘，要想得到x方向整体边缘，需将ddeep=-1改为cv2.CV_64F

x方向整体边缘


# 如何得到x方向整体的边缘？
yuan_x_64f = cv2.Sobel(yuan, cv2.CV_64F, dx=1, dy=0)  # 默认uint8改为float64，可保存负数
yuan_x = cv2.convertScaleAbs(yuan_x_64f)  # 转换为绝对值，负数转换为正数

同理可得y方向整体边缘


# y方向的边缘
yuan_y_64f = cv2.Sobel(yuan, cv2.CV_64F, dx=0, dy=1)
yuan_y = cv2.convertScaleAbs(yuan_y_64f)

通过加权运算将x，y方向边缘图像加起来


# x, y 同时使用
yuan_xy = cv2.Sobel(yuan, -1, dx=1, dy=1)
# 使用图像加权运算组合x和y方向的2个边缘。
yuan_addWeight = cv2.addWeighted(yuan_x, 1, yuan_y, 1, 0)

2）Scharr算子（cv.Scharr()）

cv.Scharr(src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]])
        src：输入图像
        ddepth：输出图片的数据深度，由输入图像的深度进行选择
        dx：x 轴方向导数的阶数
        dy：y 轴方向导数的阶数


phone = cv2.imread('./phone.jpg', cv2.IMREAD_GRAYSCALE)  # 转换灰度图，也可以不转换
phone_x = cv2.Scharr(phone, cv2.CV_64F, dx=1, dy=0)
phone_y = cv2.Scharr(phone, cv2.CV_64F, dx=0, dy=1)
phone_x_convert = cv2.convertScaleAbs(phone_x)
phone_y_convert = cv2.convertScaleAbs(phone_y)
phone_add_weight = cv2.addWeighted(phone_x_convert, 1, phone_y_convert, 1, 0)

3）laplacian（cv2.Laplacian()）

cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
参数说明：
        src：输入图像，可以是灰度图像，也可以是多通道的彩色图像
        ddepth：输出图片的数据深度：
        ksize：计算二阶导数滤波器的孔径大小，必须为正奇数，可选项
        scale：缩放比例因子，可选项，默认值为 1
        delta：输出图像的偏移量，可选项，默认值为 0


lap = cv2.imread('./phone.jpg')
lap_64f = cv2.Laplacian(lap, cv2.CV_64F)  # 默认uint8改为float64，可保存负数
lap_convert = cv2.convertScaleAbs(lap_64f)  # 转换为绝对值，负数转换为正数

效果不是很好

4）canny算法（cv.Canny()）

cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])
image：为输入图像。
threshold1：表示处理过程中的第一个阈值。
threshold2：表示处理过程中的第二个阈值。
threshold：不固定, 默认小的那个是最小阈值, 大的是最大阈值(大于高阈值的为强边缘, 小于低阈值的为弱边缘)


peng = cv2.imread('./peng.jpg', cv2.IMREAD_GRAYSCALE)
peng_canny = cv2.Canny(peng, 30, 100)
peng_canny_2 = cv2.Canny(peng, 100, 200)

2.下采样（cv2.pyrDown()）

dst = cv2.pyrDown(src, dst, dstsize)
        dst：目标图像
        src：原始图像
        dstsize：目标图像的大小（可以不设置）


zhang = cv2.imread('./zhang.jpg')  # 读取图像
down_1 = cv2.pyrDown(zhang)  # 下采样

3.上采样（cv2.pyrUp()）

高斯金字塔操作中的向上采样
dst = cv2.pyrUp(src, dst, dstsize)
dst：目标图像
src：原始图像
dstsize：目标图像的大小


up_1 = cv2.pyrUp(zhang)
cv2.imshow('up1', up_1)
cv2.waitKey(0)

4.拉普拉斯金字塔


zhang = cv2.imread('./zhang.jpg')  # 读取图像
down = cv2.pyrDown(zhang)  # 下采样
down_up = cv2.pyrUp(down)  # 上采样
# 差值，经过下采样上采样后图像损失的像素值
differ = zhang - down_up
# 处理后再加上差值，即可返回原图
zhang1 = down_up + differ

5.mask掩膜


phone = cv2.imread('./phone.jpg', cv2.IMREAD_GRAYSCALE)  # 彩图灰度图均可
# 将掩膜的尺寸设置与phone相同
mask = np.zeros(phone.shape[:2], np.uint8)  # 创建黑白图像，用于制作mask
mask[50:350, 100:470] = 255  # 设置部分区域为255亮度
cv2.imshow('mask', mask)
cv2.waitKey(0)

mask掩膜用法（cv2.bitwise_and()）

cv2.bitwise_and()：对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0
bitwise_and(src1, src2, dst=None, mask=None)

参数：
src1、src2：为输入图像或标量，标src1和src2相与。
dst：可选输出变量，如果需要使用非None则要先定义，且其大小与输入变量相同
mask：图像掩膜，可选参数，用于指定要更改的输出图像数组的元素，mask为0的值，src1和src2相与的值都为0.非0的值，为src1和src2相与的值。

phone_mask = cv2.bitwise_and(phone, phone, mask=mask)

我的另一篇博客，小金鱼图像提取裁剪最后也用到了mask掩膜方法，可参考图像提取裁剪

6.直方图均衡化（cv2.equalizeHist()）

直方图均衡化：直方图均衡化是一种图像增强技术，它可以通过增加图像的对比度和亮度来改善图像的质量。
直方图均衡化通过将图像的像素值分布均匀化来实现这一目标。
在Python OpenCV中，可以使用cv2.equalizeHist()函数来实现直方图均衡化。
该函数将输入图像转换为灰度图像，并将其像素值分布均匀化，从而增强图像的对比度和亮度。


image = cv2.imread('./zhang.jpg', cv2.IMREAD_GRAYSCALE)
image_equal = cv2.equalizeHist(image)
# 横向拼接,将多个数组按水平方向(列顺序)堆叠成一个新的数组
res = np.hstack((image, image_equal))
cv2.imshow('res', res)
cv2.waitKey(0)

7.自适应直方图均衡化（cv2.createCLAHE()）

自适应直方图均衡化(局部直方图处理)，当需要保存细节特征，需要做局部处理
cv2.createCLAHE(clipLimit, tileGridSize) → retval
参数说明：
clipLimit：颜色对比度的阈值，可选项，默认值 8
titleGridSize：局部直方图均衡化的模板（邻域）大小，可选项，默认值 (8,8)


clahe = cv2.createCLAHE(clipLimit=1.0, tileGridSize=(16, 16))  # 自适应
image_clahe = clahe.apply(image)  # 应用到image图像上
res = np.hstack((image, image_equal, image_clahe))  # 将上步操作一起拿来做对比
cv2.imshow('res', res)
cv2.waitKey(0)

四、OpenCV进阶操作

1.模板匹配（cv2.matchTemplate()）

cv2.matchTemplate(image, templ, method, result=None, mask=None)
image：待搜索图像
templ：模板图像
method：计算匹配程度的方法,可以有：
        TM_SQDIFF 平方差匹配法：该方法采用平方差来进行匹配；匹配越好，值越小；匹配越差，值越大。
        TM_CCORR 相关匹配法：该方法采用乘法操作；数值越大表明匹配程度越好。
        TM_CCOEFF 相关系数匹配法：数值越大表明匹配程度越好。
        TM_SQDIFF_NORMED 归一化平方差匹配法：匹配越好，值越小；匹配越差，值越大。
        TM_CCORR_NORMED 归一化相关匹配法：数值越大表明匹配程度越好。
        TM_CCOEFF_NORMED 归一化相关系数匹配法：数值越大表明匹配程度越好。


# 读取图像
kele = cv2.imread('./kekou.jpg')
# 读取模板图像
template = cv2.imread('./template.jpg')
# 获取模板图像高宽，方便后面进行框图
h, w = template.shape[:2]
# 建立模板匹配
match = cv2.matchTemplate(kele, template, cv2.TM_CCORR_NORMED)
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值，以及最小值的索引号和最大值的索引号
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(match)  # 最小值、最大值、最小值位置、最大值位置
top_left = max_loc  # 得到的位置均为左上角位置
bottom_right = (top_left[0] + w, top_left[1] + h)  # 右下角位置
# 绘制矩形框
template_rect = cv2.rectangle(kele, top_left, bottom_right, color=(255, 0, 0), thickness=3)
cv2.imshow('match_template', template_rect)
cv2.waitKey(0)

2.角点检测（cv2.cornerHarris()）

cornerHarris(img, blockSize, ksize, k) -> dst
* img: 输入图像
* blockSize: 角点检测中要考虑的领域大小
* ksize: Sobel 求导中使用的窗口大小
* k: Harris 角点检测方程中的自由参数, 取值参数为[0.04, 0.06]
* dst: 返回numpy,ndarray 对象, 大小和src相同, 值越大, 对应像素点是角的概率越高


img = cv2.imread('./huangHeLou.jpg')
# 角点检测需要转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 角点检测  
dst = cv2.cornerHarris(img_gray, 4, 3, 0.04)
# 每个点得到的结果值大于最大角点值的0.01倍，即认为该点为角点，并用[0, 0, 255]红色绘制出
img[dst > 0.01 * dst.max()] = [0, 0, 255]
cv2.imshow('img', img)
cv2.waitKey(0)

3.特征提取SIFT

cv2.SIFT_create() #创建一个sift特征的提取对象
sift.detect(img) #在图像中查找关键点


zhang = cv2.imread('./zhang.jpg')
sift = cv2.SIFT_create()  #创建角点检测
kp = sift.detect(zhang)   #对图像进行角点检测，得到关键点

drawKeypoints(image, keypoints, outImage, color=None, flags=None)
image:原始图片
keypoints：从原图中获得的关键点，这也是画图时所用到的数据
outputimage：输出图像，可以是原始图片,也可以是None
color：颜色设置，通过修改（b,g,r）的值,更改画笔的颜色，b=蓝色，g=绿色，r=红色。
flags：绘图功能的标识设置


zhang_sift=cv2.drawKeypoints(zhang,kp,None,flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
cv2.imshow('zhang_sift', zhang_sift)
cv2.waitKey(0)

五、总结

OpenCV进阶涉及图像高级处理、特征提取、角点检测与模板匹配等。通过深入学习，可掌握图像分析与理解的精髓，为计算机视觉应用奠定坚实基础。

后续会对进阶篇做一些完善，还会补充一些opencv进阶操作，感谢支持！

本篇文章为OpenCV进阶教程，想学基础篇的朋友可前往 OpenCV入门教程 ！！！

想要实操的同学可前往-项目实战--OpenCV--信用卡识别

--OpenCV--小金鱼图像提取裁剪

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小舞很执着/article/detail/994298