此书极好，值得借鉴学习。Python在实现过程中，体现出来了非常强的优势，特别是结合Numpy来进行矩阵计算，有很多简化方法。Python目前的缺点应该是缺乏一个像ImageWatch这样的工具。1、寻找指定色彩区域Python的特色，在于Numpy的使用import cv2import numpy as np
src = cv2.imread("e:/template/tiantan.jpg")hsv = cv2.cvtColor(src,cv2.COLOR_BGR2HSV)lower_blue = np.array([100,43,46])upper_blue = np.array([124,255,255])mask = cv2.inRange(hsv,lower_blue,upper_blue)res = cv2.bitwise_and(src,src,mask=mask)cv2.imshow("hsv",hsv)cv2.imshow("mask",mask)cv2.imshow("res",res)
cv2.waitKey(0)2、warpperspective 透视变化的python实现import cv2import numpy as np
src = cv2.imread("e:/template/steel03.jpg")rows,cols,ch = src.shapepts1 = np.float32([[122,0],[814,0],[22,540],[910,540]])pts2 = np.float32([[0,0],[960,0],[0,540],[960,540]])M = cv2.getPerspectiveTransform(pts1,pts2)dst = cv2.warpPerspective(src,M,(cols,rows))
cv2.imshow("src",dst)cv2.waitKey(0)这里操作的核心，是一个np的矩阵。在C++中，使用Vector，可能会造成很多浪费。3、自适应阈值import cv2import numpy as np obj = cv2.imread("e:/template/pig.jpg",0)ret,th1 = cv2.threshold(obj,100,255,cv2.THRESH_BINARY)th2 = cv2.adaptiveThreshold(obj,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)ret3,th3 = cv2.threshold(obj,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)cv2.imshow("th3",th3)print(ret3)cv2.waitKey()当参数选择OTSU的时候，能够根据计算，自动算出下限。但是我认为这一点并没有什么特别的用途。4、模糊处理obj = cv2.imread("e:/template/pig.jpg",0)blur= cv2.blur(obj,(3,3))gaussBlur=cv2.GaussianBlur(obj,(3,3),0)median = cv2.medianBlur(obj,5)bilate = cv2.bilateralFilter(obj,0.75,0.75)5、形态学变换obj = cv2.imread("e:/template/pig.jpg",0)opening = cv2.morphologyEx(obj,cv2.MORPH_OPEN,(7,7))cv2.imshow("obj",obj)cv2.imshow("opening",opening)我喜欢这种写法，这将有长远影响。6、梯度变化，包括1阶、2阶和混合的。obj = cv2.imread("e:/template/pig.jpg",0)laplacian = cv2.Laplacian(obj,cv2.CV_64F)sobelx=cv2.Sobel(obj,cv2.CV_64F,1,0,ksize=5)sobely=cv2.Sobel(obj,cv2.CV_64F,0,1,ksize=5)7、梯度融合曾经这段代码很神秘的，但是今日使用Python来写，就非常简单。可以看出，Python用来处理二维矩阵信息是很强的。# Standard importsimport cv2import numpy as np
 A = cv2.imread("e:/template/apple.jpg")B = cv2.imread("e:/template/orange.jpg")
G = A.copy()gpA=[G]for i in range(6):    G = cv2.pyrDown(G)    gpA.append(G)
G = B.copy()gpB = [G]for i in range(6):    G = cv2.pyrDown(G)    gpB.append(G)
lpA = [gpA[5]]for i in range(5,0,-1):    GE = cv2.pyrUp(gpA[i])    L = cv2.subtract(gpA[i-1],GE)    lpA.append(L)
lpB = [gpB[5]]for i in range(5,0,-1):    GE = cv2.pyrUp(gpB[i])    L = cv2.subtract(gpB[i-1],GE)    lpB.append(L)
LS = []for la,lb in zip(lpA,lpB):    rows,cols,dpt= la.shape    print(rows,cols)    ls = np.hstack((la[:,0:cols//2],lb[:,cols//2:])) #直接横向排列    LS.append(ls)
ls_ = LS[0]for i in range(1,6):    ls_ = cv2.pyrUp(ls_)    ls_ = cv2.add(ls_,LS[i])
real = np.hstack((A[:,:cols//2],B[:,cols//2:]))cv2.imshow("ls_",ls_)cv2.imshow("real",real)cv2.waitKey()8、轮廓寻找import cv2import numpy as np
src = cv2.imread("e:/template/rectangle.jpg")gray = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(gray,127,255,0)contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)print(contours)src = cv2.drawContours(src,contours,-1,(0,255,0),3)cv2.imshow("src",src)cv2.waitKey()这里，使用cv2.CHAIN_APPROX_NONE或者不同的参数的话，会获得不同的轮廓结果。这对于我现有的轮廓分析研究，也是有帮助的。9、轮廓的最小​ ​接圆和最大内切圆外接圆比较简单(x,y),radius = cv2.minEnclosingCircle(contours[0])center = (int(x),int(y))radius = int(radius)src = cv2.circle(src,center,radius,(0,255,0),2) 注意它这里的表示方法。内切圆则采用特殊方法。# Get the contourscontours, _ = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)# Calculate the distances to the contourraw_dist = np.empty(thresh.shape, dtype=np.float32)for i in range(src.shape[0]):    for j in range(src.shape[1]):        raw_dist[i,j] = cv.pointPolygonTest(contours[0], (j,i), True)minVal, maxVal, _, maxDistPt = cv.minMaxLoc(raw_dist)minVal = abs(minVal)maxVal = abs(maxVal)# Depicting the  distances graphicallydrawing = np.zeros((src.shape[0], src.shape[1], 3), dtype=np.uint8)for i in range(src.shape[0]):    for j in range(src.shape[1]):        if raw_dist[i,j] < 0:            drawing[i,j,0] = 255 - abs(raw_dist[i,j]) * 255 / minVal        elif raw_dist[i,j] > 0:            drawing[i,j,2] = 255 - raw_dist[i,j] * 255 / maxVal        else:            drawing[i,j,0] = 255            drawing[i,j,1] = 255            drawing[i,j,2] = 255    cv.circle(drawing,maxDistPt,int(maxVal),(255,255,255))cv.imshow('Source', src)cv.imshow('Distance and inscribed circle', drawing)cv.waitKey()最大内接圆则复杂许多。10、寻找轮廓的极点contours, _  = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)cnt = contours[0]leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])rightmost= tuple(cnt[cnt[:,:,0].argmax()][0])topmost  = tuple(cnt[cnt[:,:,1].argmin()][0])bottommost=tuple(cnt[cnt[:,:,1].argmax()][0])cv2.circle(src,leftmost,5,(0,255,0))cv2.circle(src,rightmost,5,(0,255,255))cv2.circle(src,topmost,5,(255,255,0))cv2.circle(src,bottommost,5,(255,0,0))
cv2.imshow("src",src)这是一种很好的方法，能够直接找出轮廓的各方向边界。11 模板匹配src = cv.imread("e:/template/lena.jpg",0)template = cv.imread("e:/template/lenaface.jpg",0)w,h = template.shaperes = cv.matchTemplate(src,template,cv.TM_CCOEFF)min_val,max_val,min_loc,max_loc = cv.minMaxLoc(res)cv.rectangle(src,max_loc,(max_loc[0]+w,max_loc[1]+h),(0,0,255),2)cv.imshow("template",template)cv.imshow("src",src)cv.waitKey()我想体现的是python它的写法有很大不同。src = cv.imread("e:/template/coin.jpg")gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)template = cv.imread("e:/template/coincut.jpg",0)w,h = template.shaperes = cv.matchTemplate(gray,template,cv.TM_CCOEFF_NORMED)threshold =0.4loc = np.where(res>=threshold)print(loc)for pt in zip(*loc[::1]):    cv.rectangle(src,pt,(pt[0]+w,pt[1]+h),(0,0,255),2) cv.imshow("template",template)cv.imshow("src",src)cv.waitKey()结合使用阈值，可以实现多目标匹配。# Standard importsimport cv2 as cvimport numpy as np
src = cv.imread("e:/template/coin.jpg")gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)template = cv.imread("e:/template/coincut.jpg",0)w,h = template.shaperes = cv.matchTemplate(gray,template,cv.TM_CCOEFF_NORMED)threshold =0.6loc = np.where(res>=threshold)print(loc)for pt in zip(*loc[::-1]):#排序方法为height width    print(pt)    cv.rectangle(src,pt,(pt[0]+w,pt[1]+h),(0,0,255),2) cv.imshow("template",template)cv.imshow("src",src)cv.waitKey()特别需要注意其排序方法。但是这里的阈值选择，也是超参数类型的。12 HoughCirclesrc = cv.imread("e:/template/circle.jpg",0)src = cv.medianBlur(src,5)cimg = cv.cvtColor(src,cv.COLOR_GRAY2BGR)
circles = cv.HoughCircles(src,cv.HOUGH_GRADIENT,1,20,param1=50,param2=30,minRadius=0,maxRadius=0)circles = np.uint16(np.around(circles))for i in circles[0,:]:    cv.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2)    cv.circle(cimg,(i[0],i[1]),2,(0,0,255),3)
cv.imshow("src",cimg)cv.waitKey()13 风水岭算法# Standard importsimport cv2 as cvimport numpy as np
src = cv.imread("e:/template/water_coins.jpg")gray =cv.cvtColor(src,cv.COLOR_BGR2GRAY)_,thresh = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)opening = cv.morphologyEx(thresh,cv.MORPH_OPEN,kernel,iterations=2)sur_bg = cv.dilate(opening,kernel)
dist_transform = cv.distanceTransform(opening,1,5)_,sur_fg=cv.threshold(dist_transform,0.7*dist_transform.max(),255,0)sur_fg = np.uint8(sur_fg)unknow = cv.subtract(sur_bg,sur_fg)
_,markers1 = cv.connectedComponents(sur_fg)markers = markers1+1markers[unknow ==255] = 0
markers3 = cv.watershed(src,markers)src[markers3 == -1] = [255,0,0]cv.imshow("src",src) cv.waitKey()这个结果，具有参考价值。



来自为知笔记(Wiz)