当前位置:   article > 正文

python版OpenCV常用api调用 (这一版很全)_opencv-python api

opencv-python api

工欲善其事必先利其器

        最近学习了opencv的api,感觉受益匪浅,拿出来跟大家分享下。总结的比较简略,适合作为代码字典使用。本人的python版本是3.6,opencv版本3.4.3,下面例子参数为调试时使用,学友们可按照实际需求自行调整。

莱娜奶奶镇楼

以下所有操作都基于这三个库:

  1. import cv2
  2. import numpy as np
  3. import matplotlib.pylab as plt

1、图片读取

img=cv2.imread('image/lenacolor.png',cv2.IMREAD_UNCHANGED)

##原图展示
cv2.IMREAD_UNCHANGED

##灰度图展示
cv2.IMREAD_GRAYSCALE

##彩色图展示
cv2.IMREAD_COLOR

2、图片保存

cv2.imwrite('image/gray_test.jpg',img)

3、图片展示

cv2.imshow('original',img)

4、图片暂停展示

  1. ##num<0 按键输入消失
  2. ##num==0 或不填系数 ,一直不消失
  3. ##num>0 停滞num毫秒
  4. cv2.waitKey(num)

5、 关闭所有窗口

cv2.destroyAllWindows()

6、图像赋值

1)基本操作

  1. img[100,100]=255 #灰度图赋值
  2. img[100,100,0]=255 #彩色图单通道赋值
  3. img[100,100]=[255,255,255] #彩色图多通道赋值

2)numpy操作

  1. img.item(100, 100, 2) #获得(100,100)点,2通道的值
  2. img.itemset((100, 100, 2), 255) #设置(100,100)点2通道的值

7、获取图像属性

  1. ##获取BGR图 高、宽、深度
  2. h,w,d=img.shape
  1. ##获得图片大小 h*w 或 h*w*d
  2. img_size=img.size
  1. ##获得图片数据类型
  2. img.dtype

8、感兴趣区域ROI (region of interest)

  1. ##获得面部图像
  2. face= img[220:400, 250:350]
  1. ##粘贴脸部图像,可以跨图粘贴
  2. img[0:180, 0:100]=face

9、通道分解合并

  1. ##通道分解方案1
  2. b=img[:,:,0]
  3. g=img[:,:,1]
  4. r=img[:,:,2]
  1. ##通道分解方案2
  2. b,g,r=cv2.split(img)
  1. ##通道合并
  2. rgb=cv2.merge([r,g,b])
  1. ##只显示蓝色通道
  2. b=cv2.split(a)[0]
  3. g = np.zeros((rows,cols),dtype=a.dtype)
  4. r = np.zeros((rows,cols),dtype=a.dtype)
  5. m=cv2.merge([b,g,r])

10、图像加法

  1. ##超过255则为0
  2. result1= img1 + img2
  1. ##超过255则为255
  2. result2=cv2.add(img1, img2)
  1. ##图像带权重融合,第5个参数为偏移量
  2. result=cv2.addWeighted(img1,0.5,img2,0.5, 0)

11、图像类型转换

  1. ##彩色图转灰度图
  2. img2=cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
  1. ##BGR图转RGB图(重点:opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反)
  2. img2=cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
  1. ##灰度图转BGR图,每个通道都是之前的灰度值
  2. img2=cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)

12、图像缩放 (宽、高)

  1. ##图片缩放->(200,100)
  2. img2=cv2.resize(img1, (200, 100))
  1. ##按比例缩放->(0.5,1.2)
  2. img2=cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))
  1. ##按比例缩放,参数版
  2. img2=cv2.resize(img1, None, fx=1.2, fy=0.5)

13、图像翻转

  1. img2=cv2.flip(img1, 0) #上下翻转
  2. img2=cv2.flip(img1, 1) #左右翻转
  3. img2=cv2.flip(img1, -1) #上下、左右翻转

14、图像移动、旋转、缩放

  1. ##图像移动=>(100,200)
  2. M = np.float32([[1, 0, 100], [0, 1, 200]])
  3. b=cv2.warpAffine(img1, M, (height, width))
  1. ##图像中心、旋转45度、缩放0.6
  2. M=cv2.getRotationMatrix2D((height/2,width/2),45,0.6)
  3. img2=cv2.warpAffine(img1, M, (height, width))
  1. ##图像菱形转换
  2. p1=np.float32([[0,0],[cols-1,0],[0,rows-1]]) #左上角、右上角、左下角
  3. p2=np.float32([[0,rows*0.33],[cols*0.85,rows*0.25],[cols*0.15,rows*0.7]])
  4. M=cv2.getAffineTransform(p1,p2)
  5. dst=cv2.warpAffine(img,M,(cols,rows))

15、图像阈值转换 、二值化

  1. r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化,阈值127,r为返回阈值,b为二值图
  2. r,b=cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化
  3. r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO) #低于threshold则为0
  4. r,b=cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) #高于threshold则为0
  5. r,b=cv2.threshold(img,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold

16、图像平滑处理

  1. ##均值滤波
  2. img2=cv2.blur(img1, (5, 5))  #sum(square)/25
  1. ##normalize=1 均值滤波,normalize=0 区域内像素求和
  2. img1=cv2.boxFilter(img, -1, (2, 2), normalize=1)
  1. ##高斯滤波,第三个参数是方差,默认0计算公式: sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数)
  2. img1=cv2.GaussianBlur(img, (3, 3), 0#距离像素中心点近的权重较大,以高斯方式往四周分布
  1. ##中值滤波,效果非常好?
  2. img1=cv2.medianBlur(img,3#获得中心点附近像素排序后的中值

17、形态学操作

  1. ##图像腐蚀,k为全1卷积核
  2. k=np.ones((5,5),np.uint8)
  3. img1=cv2.erode(img, k, iterations=2)
  1. ##图像膨胀
  2. k=np.ones((5,5),np.uint8)
  3. img1=cv2.dilate(img, k, iterations=2)
  1. ##图像开运算 (先腐蚀后膨胀),去掉图形外侧噪点
  2. k=np.ones((5,5),np.uint8)
  3. img1=cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)
  1. ##图像闭运算(先膨胀后腐蚀) ,去掉图形内侧噪点
  2. k=np.ones((5,5),np.uint8)
  3. img1=cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)
  1. ##图像梯度运算(膨胀-腐蚀)
  2. k=np.ones((5,5),np.uint8)
  3. img1=cv2.morphologyEx(img, cv2.MORPH_GRADIENT, k)
  1. ##高帽运算 (原图-开运算),获得图形外噪点
  2. k=np.ones((5,5),np.uint8)
  3. img1=cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)
  1. ##黑帽运算(闭运算-原图),获得图像内噪点
  2. k=np.ones((10,10),np.uint8)
  3. img1=cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)

18、图像梯度,边缘提取

  1. ##sobel梯度边缘提取,卷积核竖向[[-1,-2,-1][0,0,0][1,2,1]] 
  2. sobelx = cv2.Sobel(o,cv2.CV_64F,1,0,ksize=3) #横向边缘提取
  3. sobely = cv2.Sobel(o,cv2.CV_64F,0,1,ksize=3) #竖向边缘提取
  4. sobelx = cv2.convertScaleAbs(sobelx) # 负值取正,图像展示只能有正值
  5. sobely = cv2.convertScaleAbs(sobely)
  6. sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #图像融合
  1. ##scharr梯度边缘提取,卷积核竖向[[-3,-10,-3][0,0,0][3,10,3]] ,scharr比sobel卷积核过滤出更多细节
  2. scharrx = cv2.Scharr(o,cv2.CV_64F,1,0)
  3. scharry = cv2.Scharr(o,cv2.CV_64F,0,1)
  4. scharrx = cv2.convertScaleAbs(scharrx) # 负值取正
  5. scharry = cv2.convertScaleAbs(scharry)
  6. scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0) #图像融合
  1. ## 拉普拉斯梯度,边缘提取版本1 , 拉普拉斯图像梯度 [[0,1,0][1,-4,1][0,1,0] ]
  2. img1 = cv2.Laplacian(img, cv2.CV_64F)
  3. img1 = cv2.convertScaleAbs(img1)
  1. ##拉普拉斯梯度,边缘提取版本2,结果略有不同
  2. f=np.array([[0,1,0],[1,-4,1],[0,1,0]])
  3. img1=cv2.filter2D(img, -1, f)

19、canny边缘检测

##canny边缘检测理论

                                               sobel梯度大小:0.5|x|+0.5|y|

         高斯滤波                             梯度方向:arctan(y/x)                       同方向上保留最大梯度              

去噪------------------------->梯度------------------------------------->非极大值抑制---------------------------->

         跟高阈值连通的线会保留

滞后阈值--------------------->out

  1. ##canny边缘检测代码
  2. img1 = cv2.Canny(img,100,200) #参数:图片、低阈值、高阈值

20、图像金字塔

  1. ##图片向下采样,高斯滤波 1/2 删掉偶数列
  2. img1 = cv2.pyrDown(img)
  1. ##图片向上采样 ,面积*2 高斯滤波*4 ,下采样为不可逆运算
  2. img3=cv2.pyrUp(img2)
  1. ##计算拉普拉斯金字塔
  2. img1 = cv2.pyrDown(img) #下采样
  3. img2=cv2.pyrUp(img1) #上采样
  4. img3=img-img2

21、图像轮廓标注

  1. gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度图转化
  2. dep,img_bin=cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化
  3. image_,contours,hierarchy=cv2.findContours(img_bin,mode=cv2.RETR_TREE,
  4.                                             method=cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓
  5. to_write=img.copy() #原始图像copy,否则会在原图上绘制
  6. ret=cv2.drawContours(to_write,contours,-1,(0,0,255),2) #红笔绘制图像轮廓

22、直方图

  1. ##matplotlib 绘制直方图
  2. plt.hist(img.ravel(),256)
  1. ##用opencv计算直方图列表
  2. hist=cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
  1. ##掩膜提取局部直方图
  2. pad=np.zeros(img.shape,np.uint8)
  3. pad[200:400,200:400]=255
  4. hist_MASK=cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])
  1. ##opencv 交、并、补、异或操作
  2. masked_img=cv2.bitwise_and(img,mask)

##直方图均衡化原理

图像直方图->直方图归一化->累计直方图->*255 x坐标映射->对原来的像素值进行新像素值编码

  1. ##直方图均衡化调用
  2. img1=cv2.equalizeHist(img)
  1. ##matplotlib绘制图片前通道转换
  2. img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性
  1. ##matplotlib多图绘制在一个面板上
  2. plt.subplot('221'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original')
  3. plt.subplot('222'), plt.imshow(img1, cmap=plt.cm.gray), plt.axis('off')
  4. plt.subplot('223'), plt.hist(img.ravel(),256)
  5. plt.subplot('224'), plt.hist(img1.ravel(), 256)

23、图像傅里叶变换(空间域=>频域)

  1. ##图像傅里叶变换 (转化为虚数,实部为幅度,虚部为频率)
  2. fft=np.fft.fft2(img)
  3. fft_center=np.fft.fftshift(fft)
  4. fft_flect=20*np.log(np.abs(fft_center))
  1. ##图像傅里叶逆变换
  2. fft_left=np.fft.ifftshift(fft_center)
  3. ifft=np.fft.ifft2(fft_left)
  4. img_f=np.abs(ifft)
  1. ##高通滤波
  2. h_c,w_c=round(h/2),round(w/2)
  3. fft_center[h_c-10:h_c+10,w_c-10:w_c+10]=0  #原图操作,低频信号归0
  1. ##opencv 傅里叶变换
  2. dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)
  3. fft_center=np.fft.fftshift(dft)
  1. ##opencv 低通滤波
  2. mask=np.zeros((h,w,2),dtype=np.uint8)    #定义掩膜
  3. h_c,w_c=round(h/2),round(w/2)
  4. R=20
  5. mask[h_c-R:h_c+R,w_c-R:w_c+R]=1
  6. dshift=fft_center*mask       #点乘,保留低频信号
  1. ##opencv 傅里叶反变换
  2. fft_left=np.fft.ifftshift(dshift)
  3. ifft=cv2.idft(fft_left)
  4. img_f=cv2.magnitude(ifft[:,:,0],ifft[:,:,1]) #Square(x*2+y*2)

完工!!祝大家圣诞快乐!

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/我家自动化/article/detail/869108
推荐阅读
相关标签
  

闽ICP备14008679号