opencv-python学习笔记（附完整代码，轮廓检测，相似度匹配）_opencv 轮廓相似度

使用Python操作opencv的实例代码（所用图片素材地址自行替换）

最后两个例子是利用opencv进行轮廓检测和相似度匹配检测，可以达到实时跟踪画面中的物体

"""  
    opencv实例  
"""  
import cv2  # opencv读取的是BGR格式  
import matplotlib.pyplot as plt  
import numpy as np  
  
  
# 读取图片，保存图片  
def cv_test01():  
    img1 = cv2.imread('./images/1.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    print(img1)  
    print(img1.shape)  # 图像的形状  
    img2 = cv2.imread('./images/1.jpg', cv2.IMREAD_GRAYSCALE)  # 读取灰度图片  
    print(img2.shape)  
    cv2.imwrite('./images/1_hui.png', img2)  # 保存图片  
  
    # 显示图像  
    cv2.imshow('image1', img1)  # 将图片显示在窗口  
    cv2.imshow('image2', img2)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 读取视频保存视频  
def cv_test02():  
    cap2 = cv2.VideoCapture('./images/1.mp4')  # 读取文件  
    cap = cv2.VideoCapture(0)  # 读取摄像头图像  
  
    # 定义编解码器并创建VideoWriter对象，用于保存图像  
    fourcc = cv2.VideoWriter_fourcc(*'XVID')  
    out = cv2.VideoWriter('./images/output.avi', fourcc, 20.0, (640, 480))  
  
    if not cap.isOpened():  
        print("Cannot open camera")  
        exit()  
    while True:  
        # 逐帧捕获  
        ret, frame = cap.read()  
        # 如果正确读取帧，ret为True  
        if not ret:  
            print("Can't receive frame (stream end?). Exiting ...")  
            break  
        # 我们在框架上的操作到这里  
        out.write(frame) # 保存图像  
  
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)  # 读取为灰度图像  
        # 显示结果帧数  
        cv2.imshow('frame', gray)  
        if cv2.waitKey(100) == ord('q'): # 里面的数字表示等待多长时间  
            break  
  
    # 完成所有操作后，释放捕获器  
    cap.release()  
    cv2.destroyAllWindows()  
  
  
# 图像分割  
def cv_test03():  
    img1 = cv2.imread('./images/1.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    print(img1.shape)  
    # 图片裁剪  
    img2 = img1[20:img1.shape[0]-20, 20:img1.shape[1]-20]  
    print(img2.shape)  
    # 显示图像  
    cv2.imshow('image1', img1)  # 将图片显示在窗口  
    cv2.imshow('image2', img2)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 图像通道读取  
def cv_test04():  
    img1 = cv2.imread('./images/1.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    b, g, r = cv2.split(img1) # 分别读出每个通道的数据  
    print(b.shape)  
    print(g.shape)  
    print(r.shape)  
    img2 = cv2.merge((b, g, r))  
    print(img2.shape)  
    img3 = img2.copy()  
    img3[:, :, 0] = 0   # 将蓝色通道变成0  
    img3[:, :, 1] = 0   # 将绿色通道变成0  
    print(img3)  
    cv2.imshow('image3', img3)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 为图像设置边框（填充）  
def cv_test05():  
    img1 = cv2.imread('./images/1.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
  
    # 定义上下填充宽度  
    top_size, bottom_size, left_size, right_size = [50, 50, 50, 50]  
  
    img2 = cv2.copyMakeBorder(img1, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REPLICATE)  
    img3 = cv2.copyMakeBorder(img1, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_CONSTANT, value=0)  
    img4 = cv2.copyMakeBorder(img1, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REFLECT)  
    img5 = cv2.copyMakeBorder(img1, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_REFLECT_101)  
    img6 = cv2.copyMakeBorder(img1, top_size, bottom_size, left_size, right_size, borderType=cv2.BORDER_WRAP)  
  
    plt.subplot(231), plt.imshow(img1, 'gray'), plt.title('1')  
    plt.subplot(232), plt.imshow(img2, 'gray'), plt.title('2')  
    plt.subplot(233), plt.imshow(img3, 'gray'), plt.title('3')  
    plt.subplot(234), plt.imshow(img4, 'gray'), plt.title('4')  
    plt.subplot(235), plt.imshow(img5, 'gray'), plt.title('5')  
    plt.subplot(236), plt.imshow(img6, 'gray'), plt.title('6')  
    plt.show()  
  
  
# 图像的基本计算  
def cv_test06():  
    img1 = cv2.imread('./images/1.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    print(img1[0:5, 0:5, 0])  
    img2 = img1 + 10     # 加常数  
    print(img2[0:5, 0:5, 0])  
    img3 = img2 + img1  # 两个相同大小的图片相加，大于255取超出的部分  
    print(img3[0:5, 0:5, 0])  
    img4 = cv2.add(img1, img2)  # 两个相同大小的图片相加，大于256取255  
    print(img4[0:5, 0:5, 0])  
  
  
# 图像融合  
def cv_test07():  
    img1 = cv2.imread('./images/1.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    img2 = cv2.imread('./images/2.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    print(img1.shape)  
    print(img2.shape)  
    # 图像变化  
    img3 = cv2.resize(img2, (192, 108))  # 指定具体数值变化  
    print(img3.shape)  
    img4 = cv2.resize(img2, (0, 0), fx=1, fy=3)  # 指定比例变化  
    print(img4.shape)  
    # 图像融合  
    img5 = cv2.addWeighted(img1, 0.4, img3, 0.6, 0)  
  
    cv2.imshow('image4', img5)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
# 腐蚀操作，用于去除毛刺，但是会使得线条变窄，可以再使用膨胀操作，使主要的图像变大。  
# 不做演示需要的时候再去查看  
# 开运算：先进行腐蚀，再进行膨胀 两个步骤合在一起  
# 闭运算：先进行膨胀，再进行腐蚀 两个步骤合在一起  
  
  
# 梯度运算  
def cv_test08():  
    img1 = cv2.imread('./images/yuan.png', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    kernel = np.ones((3, 3), np.uint8)  # 全1矩阵  
    dilate = cv2.dilate(img1, kernel, iterations=5)  
    erosion = cv2.erode(img1, kernel, iterations=5)  
    print(dilate.shape)  
    print(erosion.shape)  
    res = np.hstack((dilate, erosion))  
    print(res.shape)  
    # 梯度运算函数，用于获取物体边界  
    gradient = cv2.morphologyEx(img1, cv2.MORPH_GRADIENT, kernel)  
    cv2.imshow('image5', gradient)  # 将图片显示在窗口  
    cv2.imshow('image4', res)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 礼帽和黑帽  
def cv_test09():  
    img1 = cv2.imread('./images/yuan2.png', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    kernel = np.ones((5, 5), np.uint8)  # 全1矩阵  
    gradient = cv2.morphologyEx(img1, cv2.MORPH_TOPHAT, kernel)  
    blackhat = cv2.morphologyEx(img1, cv2.MORPH_BLACKHAT, kernel)  
    cv2.imshow('gradient', gradient)  # 将图片显示在窗口  
    cv2.imshow('blackhat', blackhat)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# Sobel算子，用于寻找梯度，找边界，复杂图像也可以（重要）  
# Gx = [[-1, 0, 1], [-3, 0, 3], [-1, 0, 1]]  
def cv_test10():  
    img1 = cv2.imread('./images/yuan.png', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    sobel = cv2.Sobel(img1, cv2.CV_64F, 1, 0, ksize=3)  # ksize=5卷积核大小，1，0只算水平方向，0，1只算竖直方向  
    sobelx = cv2.convertScaleAbs(sobel)  # 取绝对值，不然一边会消失  
    sobel = cv2.Sobel(img1, cv2.CV_64F, 0, 1, ksize=3)  # ksize=5卷积核大小，1，0只算水平方向，0，1只算竖直方向  
    sobely = cv2.convertScaleAbs(sobel)  # 取绝对值，不然一边会消失  
    sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)  # 将竖直方向和水平方向进行叠加，直接用1，1效果不好  
    cv2.imshow('blackhat', sobelxy)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# Scharr算子 更敏感  
# Gx = [-3, 0, 3], [-10, 0, 10], [-3, 0, 3]]  
# laplacian算子, 更不敏感  
# G = [[0, 1, 0], [1, -4, 1], [0, 1, 0]]  
  
  
# 图像的平滑处理（卷积）(已经不能使用)  
def cv_test11():  
    img1 = cv2.imread('./images/2.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    # 均值滤波  
    blur = cv2.blur(img1, (3, 3))  
  
    cv2.imshow('blackhat', blur)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 高斯与中值滤波 （已经不能使用）  
def cv_test12():  
    img1 = cv2.imread('./images/2.jpg', cv2.IMREAD_COLOR)  # 读取彩色图片，默认就是  
    #aussian = cv2.GaussianBlur(img1, (5, 5), 0)  #高斯滤波 报错  
    medim = cv2.medianBlur(img1, 5)  
    cv2.imshow('blackhat', medim)  # 将图片显示在窗口  
    cv2.waitKey(0)   # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 阈值操作（重要）  
def cv_test13():  
    img1 = cv2.imread('./images/2.jpg', cv2.IMREAD_GRAYSCALE)  # 读取彩色图片，默认就是  
    ret, thresh1 = cv2.threshold(img1, 127, 255, cv2.THRESH_BINARY)  # 彩色图像会对三个通道分别处理再叠加，灰度图像  
    ret, thresh2 = cv2.threshold(img1, 127, 255, cv2.THRESH_BINARY_INV)  # 对上面的图像进行反转  
    ret, thresh3 = cv2.threshold(img1, 127, 255, cv2.THRESH_TRUNC)  # 最大值只能到127，小于不变  
    ret, thresh4 = cv2.threshold(img1, 127, 255, cv2.THRESH_TOZERO)   # 大于127的不变，小于127的全为0  
    ret, thresh5 = cv2.threshold(img1, 127, 255, cv2.THRESH_TOZERO_INV)  # 跟上面哪一个相反  
    titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']  
    images = [img1, 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()  
  
  
# Canny边缘检测（重要）  
# 1.滤波，高斯滤波器  
# 2.计算每个像素点的梯度强度和方向  
# 3.应用非极大值抑制，，以消除除边沿检测带来的杂散响应。  
# 4.应用双阀值检测来确定真实和潜在的边缘  
# 5.通过抑制孤立的弱边缘最终完成边缘检测  
def cv_test14():  
    img1 = cv2.imread('./images/canny.jpg', cv2.IMREAD_GRAYSCALE)  # 读取彩色图片，默认就是  
    #b, g, r = cv2.split(img1) # 分别读出每个通道的数据  
    #print(b)  
    edges = cv2.Canny(img1, 50, 200)  
    plt.subplot(121), plt.imshow(img1, cmap='gray')  
    plt.title('Original Image'), plt.xticks([]), plt.yticks([])  
    plt.subplot(122), plt.imshow(edges, cmap='gray')  
    plt.title('Edge Image'), plt.xticks([]), plt.yticks([])  
    plt.show()  
  
  
# 轮廓检测  
def cv_test15():  
    img1 = cv2.imread('./images/canny.jpg')  
    gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)  # 读取为灰度图像  
    # 二值化处理  
    ret, thresh1 = cv2.threshold(gray, 175, 255, cv2.THRESH_BINARY)  
    # 提取轮廓  
    contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  
    # 绘制轮廓  
    img2 = img1.copy()  
    res = cv2.drawContours(img2, contours, 27, (0, 0, 255), 5)  
    # 展示图像  
    cv2.imshow('blackhat', res)  # 将图片显示在窗口  
    cv2.waitKey(0)  # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 轮扣近似，找出最大轮廓进行显示  
def cv_test16():  
    img1 = cv2.imread('./images/canny.jpg')  
    gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)  # 读取为灰度图像  
    # 二值化处理  
    ret, thresh1 = cv2.threshold(gray, 175, 255, cv2.THRESH_BINARY)  
    # 提取轮廓  
    contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  
  
    # i = 0  
    # for cnt in contours:    #     epsilon = 0.001*cv2.arcLength(cnt, True)    #     approx = cv2.approxPolyDP(cnt, epsilon, True)    #    #     img2 = img1.copy()    #     res = cv2.drawContours(img2, [approx], -1, (0, 0, 255), 4)    #    #     cv2.imshow('blackhat', res)  # 将图片显示在窗口  
    #     cv2.waitKey(0)  # 按任意建退出  
    #     cv2.destroyAllWindows()  
    #     print(i)    #     i = i + 1  
    # 循环计算每一个轮廓的面积，选出最大的进行显示  
    area = [0] * len(contours)  
    i = 0  
    for cnt in contours:  
        area[i] = cv2.contourArea(cnt)  
        i = i + 1  
    a = area.index(max(area))  # 找出列表中最大值的位置  
  
    # 近似处理（前面乘的数越大，轮廓近似越多）  
    epsilon = 0.004*cv2.arcLength(contours[a], True)  
    approx = cv2.approxPolyDP(contours[a], epsilon, True)  
  
    # 绘制轮廓  
    img2 = img1.copy()  
    res = cv2.drawContours(img2, [approx], -1, (0, 0, 255), 2)  
  
    # 绘制矩形外轮廓  
    x, y, w, h = cv2.boundingRect(contours[27])  
    ju_xing = cv2.rectangle(res, (x, y), (x+w, y+h),  (0, 255, 0), 2)  
  
    # 展示图像  
    cv2.imshow('blackhat', ju_xing)  # 将图片显示在窗口  
    cv2.waitKey(0)  # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 相似度匹配(和上面轮廓查找的效果类似)，也可以进行多模板匹配  
def cv_test17():  
    img1 = cv2.imread('./images/canny.jpg')  
    img2 = cv2.imread('./images/canny_mu.jpg')  
  
    # 获取图像的宽和高  
    h, w = img2.shape[:2]  
  
    gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)  # 读取为灰度图像  
    gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 读取为灰度图像  
  
    # 相似匹配  
    # 列表中所有的6种比较方法  
    methods = ['cv.TM_CCOEFF', 'cv.TM_CCOEFF_NORMED', 'cv.TM_CCORR',  
               'cv.TM_CCORR_NORMED', 'cv.TM_SQDIFF', 'cv.TM_SQDIFF_NORMED']  
    res = cv2.matchTemplate(gray1, gray2, cv2.TM_SQDIFF_NORMED)  
    print(res.shape)  
  
    # 获取最匹配的位置信息  
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  
  
    # 绘制矩形  
    img3 = img1.copy()  
    ju_xing = cv2.rectangle(img3, min_loc, (min_loc[0]+w, min_loc[1]+h),  (0, 255, 0), 2)  
  
    # 展示图像  
    cv2.imshow('blackhat', ju_xing)  # 将图片显示在窗口  
    cv2.waitKey(0)  # 按任意建退出  
    cv2.destroyAllWindows()  
  
  
# 按间距中的绿色按钮以运行脚本。  
if __name__ == '__main__':  
    cv_test17()
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
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345