大家好，我是讯享网，很高兴认识大家。

图像

1. 计算机中图像就是由像素点组成。
2. RGB表示颜色通道,R红色G绿色B蓝色,[0-255]表示该像素点的亮度。
3. 黑白图像只有一个通道表示亮度。
4. 图像是500*500,则RGB三个通道均是500*500的矩阵,一个图像则为[500,500,3]。

数据读取-图像

cv2.IMREAD_COLOR:彩色图像

cv2.IMREAD_GRAYSCALE:灰色图像

import cv2 #OpenCv,有很多计算机视觉需要的的算法;opencv读取的格式是BGR import matplotlib.pyplot as plt #Pyplot包含一系列绘图函数的相关函数,用as给它设置一个别名plt import numpy as np #支持大量的维度数组与矩阵运算 用as给其设置别名np #%matplotlib inline #用它可以省略plt.show(),vscode用不了 def cv_show(name,img): #定义一个函数，更方便的显示图像 cv2.imshow(name,img) #图像的显示，也可以创建多个窗口 cv2.waitKey(0) #等待时间，毫秒级，0表示任意键终止 cv2.destroyAllWindows() img=cv2.imread('cat.jpg') #显示一个BGR图像 cv2.imshow('image',img) cv2.waitKey(0) cv2.destroyAllWindows img=cv2.imread('cat.jpg',cv2.IMREAD_GRAYSCALE) #显示一个灰度图像 cv2.imshow('image',img) cv2.waitKey(0) cv2.destroyAllWindows cv2.imwrite('mycat.png',img) #保存图片 print(img.shape) #图像基本数值 print(img) #图片每一个像素点(矩阵形式) print(type(img)) #查看图片底层格式 print(img.size) #计算图片像素点个数 print(img.dtype) #图像数据类型

讯享网

截取部分图像数据

讯享网img=cv2.imread('cat.jpg') cat=img[0:200,0:200] #截取一段图像 cv_show('cat',cat) #显示截取图像的彩色图

颜色通道提取

B,G,R=cv2.split(img) print(B) print(B.shape) img=cv2.merge((B,G,R)) print(img.shape) cur_img=img.copy() #只保留R通道 cur_img[:,:,0]=0 cur_img[:,:,1]=0 cv_show('R',cur_img) cur_img=img.copy() #只保留G通道 cur_img[:,:,0]=0 cur_img[:,:,2]=0 cv_show('G',cur_img) cur_img=img.copy() #只保留B通道 cur_img[:,:,1]=0 cur_img[:,:,2]=0 cv_show('B',cur_img)

数据读取-视频

cv2.VideoCapture可以捕获摄像头，用数字来控制不同的设备，例如0，1。

如果是视频文件，直接指定好路径即可。

讯享网import cv2 import matplotlib.pyplot as plt import numpy as np #播放一个灰度视频 vc = cv2.VideoCapture('test.mp4') if vc.isOpened(): #检查是否打开正确 open,frame=vc.read() else: open = False while open: ret,frame=vc.read() if frame is None: break if ret == True: gray=cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) #此行代码为显示视频是灰度还是彩色的关键 cv2.imshow('result',gray) if cv2.waitKey(10) & 0xFF == 27: break vc.ralease() cv2.destroyAllWindows() #显示一个彩*** vc = cv2.VideoCapture('test.mp4') if vc.isOpened(): open,frame=vc.read() else: open = False while open: ret,frame=vc.read() if frame is None: break if ret == True: cv2.imshow('result',frame) if cv2.waitKey(10) & 0xFF == 27: break vc.ralease() cv2.destroyAllWindows() 

边界填充

BORDER_REPLICATE:复制法,也就是复制最边缘像素。

BORDER_REFLECT:反射法,对图像中的像素在两边进行复制 fedcba | abcdefgh | hgfedcb

BORDER_REFLECT_101:反射法,也就是以最边缘像素为轴,对称, gfedcb | abcdefgh | gfedcba

BORDER_WRAP:外包装法 cdefgh | abcdefgh | abcdefg

BORDER_CONSTANT:常量法,常数值填充。

import cv2 import numpy as np import matplotlib.pyplot as plt img=cv2.imread('cat.jpg') top_size,bottom_size,left_size,right_size=(50,50,50,50) replicate=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,borderType=cv2.BORDER_REPLICATE) reflect=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_REFLECT) reflect101=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_REFLECT_101) wrap=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_WRAP) constant=cv2.copyMakeBorder(img,top_size,bottom_size,left_size,right_size,cv2.BORDER_CONSTANT,value=0) plt.subplot(231),plt.imshow(img,'gray'),plt.title('ORIGINAL') plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE') plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT') plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101') plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP') plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT') plt.show()

运行结果:

讯享网

数值计算 

讯享网import cv2 import numpy as np import matplotlib.pyplot as plt img_cat=cv2.imread('cat.jpg') img_dog=cv2.imread('dog.jpg') img_cat2=img_cat+10 #直接相加，两数和超过255时 结果为 两数和 % 256 print(img_cat[:5,:,0]) print(img_cat2[:5,:,0]) print((img_cat+img_cat2)[:5,:,0]) print(cv2.add(img_cat,img_cat2)[:5,:,0]) #用cv2.add相加时，两数和超过255时 结果为255 # print(img_cat+img_dog) #shape不同时，不能相加 print(img_cat.shape) img_dog=cv2.resize(img_dog,(500,414)) #将'dog.jpg'的shape改成和'cat.jpg'一致 print(img_dog.shape) res=cv2.addWeighted(img_cat,0.4,img_dog,0.6,0) #将'cat.jpg'和'dog.jpg'融合。'cat.jpg'占比0.4；'dog.jpg'占比0.6；提亮值为0。 plt.imshow(res) plt.show()

运行结果:

res=cv2.resize(img_cat,(0,0),fx=3,fy=1) #将图片宽伸长三倍，高不变 plt.imshow(res) plt.show()

 运行结果:

讯享网res=cv2.resize(img_cat,(0,0),fx=1,fy=3) #将图片宽不变，高伸长三倍 plt.imshow(res) plt.show()

运行结果 :

形态学

腐蚀操作

腐蚀操作所用函数为cv2.erode(),确定盒子大小的函数是np.ones()。

import cv2 import matplotlib.pyplot as plt import numpy as np def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows() #腐蚀操作 img = cv2.imread('dige.png') cv_show('img',img) kernel=np.ones((5,5),np.uint8) erosion=cv2.erode(img,kernel,iterations=1)#迭代 1 次 cv_show('erosion',erosion)

原图：

 腐蚀操作，迭代1次后：

对圆进行腐蚀操作：

讯享网pie=cv2.imread('pie.png') cv_show('pie',pie) kernel=np.ones((30,30),np.uint8) 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)) cv_show('res',res)

原图：

分别迭代           1                                                  2                                                        3

 膨胀操作

腐蚀操作所用函数为cv2.dilate()

img = cv2.imread('dige.png') cv_show('img',img) kernel=np.ones((5,5),np.uint8) dige_erosion=cv2.erode(img,kernel,iterations=1) dige_dilate=cv2.dilate(dige_erosion,kernel,iterations=1) cv_show('dilate',dige_dilate)

 原图:

 膨胀操作，迭代一次后:

对圆进行膨胀操作:

讯享网pie=cv2.imread('pie.png') cv_show('pie',pie) kernel=np.ones((30,30),np.uint8) dilate_1=cv2.dilate(pie,kernel,iterations=1) dilate_2=cv2.dilate(pie,kernel,iterations=2) dilate_3=cv2.dilate(pie,kernel,iterations=3) res=np.hstack((dilate_1,dilate_2,dilate_3)) cv_show('res',res)

原图:

分别 迭代                1                                                      2                                                    3

开运算与闭运算

开运算:先腐蚀后膨胀

闭运算:先膨胀后腐蚀

import cv2 import numpy as np import matplotlib.pyplot as plt #开运算:先腐蚀后膨胀 def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows() img=cv2.imread('dige.png') cv_show('yuantu',img) #原图 kernel=np.ones((5,5),np.uint8) opening=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel) cv_show('opening',opening) #先腐蚀后膨胀结果图 #闭运算:先膨胀后腐蚀 img=cv2.imread('dige.png') cv_show('yuantu',img) #原图 kernel=np.ones((5,5),np.uint8) closing=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel) cv_show('closing',closing) #先膨胀后腐蚀结果图

原图:

开运算结果图:

 闭运算结果图:

 梯度运算

梯度=膨胀-腐蚀

讯享网#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) #膨胀5次 ersion=cv2.erode(pie,kernel,iterations=5) #腐蚀5次 res=np.hstack((dilate,ersion)) cv_show('res',res) gradient=cv2.morphologyEx(pie,cv2.MORPH_GRADIENT,kernel) cv_show('gradient',gradient)

将原图分别膨胀5次和腐蚀5次后的结果图：

 梯度运算结果图：

 礼帽与黑帽

礼帽：原始输入-开运算结果

img=cv2.imread('dige.png') tophat=cv2.morphologyEx(img,cv2.MORPH_TOPHAT,kernel) cv_show('tophat',tophat)

结果图:

黑帽：闭运算结果-原始输入

讯享网img=cv2.imread('dige.png') blackhat=cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel) cv_show('blackhat',blackhat)

结果图:

 三种梯度计算的算子

Sobel算子

 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

img=cv2.imread('D:\pythontupian\pie.png',cv2.IMREAD_GRAYSCALE) cv2.imshow('img',img) cv2.waitKey() cv2.destroyAllWindows() def cv_show(img,name): cv2.imshow(name,img) cv2.waitKey() cv2.destroyAllWindows() sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) cv_show(sobelx,'sobelx')

                           原图                                                                    只计算了右-左且未取绝对值   

 

白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值。

讯享网sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) sobelx=cv2.convertScaleAbs(sobelx) #取绝对值 cv_show(sobelx,'sobelx')

sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) sobely=cv2.convertScaleAbs(sobely) cv_show(sobely,'sobely')

                                                              下-上的结果截图

 分别计算x和y，再求和

讯享网sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0) cv_show(sobelxy,'sobelxy')

 直接计算(不建议)

sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3) sobelxy=cv2.convertScaleAbs(sobelxy) cv_show(sobelxy,'sobelxy')

"lena" 图片示例：

讯享网img=cv2.imread('D:\pythontupian\lena.jpg',cv2.IMREAD_GRAYSCALE) cv_show(img,'img') 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) sobelxy=cv2.addWeighted(sobelx,0.5,sobely,0.5,0) cv_show(sobelxy,'sobelxy')

                    原图                                                        先计算右-左，再计算下-上，最后结果相加。

img=cv2.imread('D:\pythontupian\lena.jpg',cv2.IMREAD_GRAYSCALE) sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3) sobelxy=cv2.convertScaleAbs(sobelxy) cv_show(sobelxy,'sobelxy')

                                                                 直接计算梯度

 scharr算子

讯享网img=cv2.imread('D:\pythontupian\lena.jpg',cv2.IMREAD_GRAYSCALE) scharrx=cv2.Scharr(img,cv2.CV_64F,1,0) scharrx=cv2.convertScaleAbs(scharrx) scharry=cv2.Scharr(img,cv2.CV_64F,0,1) scharry=cv2.convertScaleAbs(scharry) scharrxy=cv2.addWeighted(scharrx,0.5,scharry,0.5,0)

laplacian算子

img=cv2.imread('D:\pythontupian\lena.jpg',cv2.IMREAD_GRAYSCALE) laplacian=cv2.Laplacian(img,cv2.CV_64F) laplacian=cv2.convertScaleAbs(laplacian)

 三种算子计算结果比较

讯享网res=np.hstack((sobelxy,scharrxy,laplacian)) cv_show(res,'res')

                            Sobel                                          scharr                                      laplacian

图像平滑处理

 均值滤波

简单的平均卷积操作

import cv2 import matplotlib.pyplot as plot import numpy as np img=cv2.imread('D:\pythontupian\lenaNoise.png') def cv_show(name,img): cv2.imshow(name,img) cv2.waitKey(0) cv2.destroyAllWindows() #原图 cv_show('img',img) #均值滤波 #简单的平均卷积操作 blur=cv2.blur(img,(3,3)) cv_show('blur',blur) 

 原图：

 结果图：

 方框滤波

基本和均值一样，可以选择归一化

讯享网#基本和均值一样，可以选择归一化 box=cv2.boxFilter(img,-1,(3,3),normalize=True) cv_show('box',box)

结果图：

 不选择归一化的话很容易越界

#未选择归一化，越界后的结果 box=cv2.boxFilter(img,-1,(3,3),normalize=False) cv_show('box',box)

越界结果图：

高斯滤波

高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的 

讯享网#高斯滤波 #高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的 aussian=cv2.GaussianBlur(img,(5,5),1) cv_show('aussian',aussian)

结果图：

中值滤波

 相当于用中值代替

#中值滤波 #相当于用中值代替 median=cv2.medianBlur(img,5) cv_show('median',median)

结果图：

 

 展示均值、高斯、中值滤波结果：

讯享网#展示所有结果 res=np.hstack((blur,aussian,median),) cv_show('res',res)