opencv基础

2023-11-28 20:27:28

这里import numpy as np import cv2 import imutils import myutils import matplotlib.pyplot as plt

颜色通道提取

img_cat = cv2.imread(“cat.png”)

img_cat_copy = img_cat.copy()

img_cat_copy[:, :, 0] = 0 # b

img_cat_copy[:, :, 1] = 0 # g

cv2.imshow(“cat_r”, img_cat_copy)

b, g, r = cv2.split(img_cat)

cv2.imshow(“cat_b”, b)

边界填充

cv2.copyMakeBorder()

cat = cv2.imread(“cat.png”)

print(cat.shape)

修改图像的尺寸

dog = cv2.imread(“dog.png”)

print(dog.shape)

dog1 = cv2.resize(dog, (0, 0), fx=2, fy=2)

print(dog1.shape)

图像融合（长，宽，通道数相同）

res = cv2.addWeighted(cat, 0.5, dog1, 0.5, 0)

cv2.imshow(“cat_dog”, res)

图像阈值

img_cat = cv2.imread(“cat.png”)

img_cat_gray = cv2.cvtColor(img_cat, cv2.COLOR_BGR2GRAY)

cv2.imshow(“gray”, img_cat_gray)

print(img_cat_gray.shape)

ret, dst = cv2.threshold(img_cat_gray, 10, 255, cv2.THRESH_BINARY)

print(ret) # ret=thresh

cv2.imshow(“cat”, dst)

# 滤波(去除一些小点干扰，但会使图像变得模糊)

img = cv2.imread(“lenanoise.png”)

cv2.imshow(“cat”, img)

# 均值滤波

blur = cv2.blur(img, (3, 3))

cv2.imshow(“cat_blur”, blur)

# 方框滤波

# 基本和均值一样，可以选择归一化

# 说明：当normalize=True时，与均值滤波结果相同，

# normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示

box1 = cv2.boxFilter(img, -1, (3, 3), normalize=True)

box2 = cv2.boxFilter(img, -1, (3, 3), normalize=False)

cv2.imshow(“boxFilter_True”, box1)

cv2.imshow(“boxFilter_False”, box2)

# 高斯滤波

# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间值

gaussian = cv2.GaussianBlur(img, (3, 3), 1)

cv2.imshow(“gaussian”, gaussian)

# 中值滤波

# 相当于中值代替

median = cv2.medianBlur(img, 3)

cv2.imshow(“median”, median)

# 形态学—腐蚀操作:将前景物体变小，理解成将图像断开裂缝变大（在图片上画上黑色印记，印记越来越大）

# （存在一个kernel，比如(3, 3)，在图像中不断的平移，在这个9方框中，哪一种颜色所占的比重大，9个方格中将都是这种颜色

# iteration迭代次数

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

print(kernel)

erosion5 = cv2.erode(img, kernel, iterations=2)

cv2.imshow(“erosion5”, erosion5)

# 形态学操作——膨胀操作:将前景物体变大，理解成将图像断开裂缝变小（在图片上画上黑色印记，印记越来越小)

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

erosion = cv2.erode(img, kernel, iterations=2)

cv2.imshow(“erosion”, erosion)

dilation = cv2.dilate(erosion, kernel, iterations=2)

cv2.imshow(“dilation”, dilation)

# 开运算和闭运算

# 1，开运算：先腐蚀后膨胀

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=2)

cv2.imshow(“openning”, opening)

# 2，闭运算：先膨胀后腐蚀

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)

cv2.imshow(“closing”, closing)

# 梯度运算

# 梯度=膨胀-腐蚀

pie = cv2.imread(“pie.png”)

cv2.imshow(“pie”, pie)

kernel = np.ones((3, 3), np.uint8)

# dilation = cv2.dilate(pie, kernel, iterations=2)

# erosion = cv2.erode(pie, kernel, iterations=2)

# res = dilation - erosion

# cv2.imshow(“res”, res)

res = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel, iterations=2)

cv2.imshow(“res”, res)

# 礼帽与黑帽

# 1，礼帽 = 原始输入-开运算结果（刺）

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=2)

cv2.imshow(“tophat”, tophat)

# 2,黑帽 = 闭运算结果-原始输入(框)

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)

cv2.imshow(“blackhat”, blackhat)

# 图像梯度—Sobel算子:白到黑是正数，黑道白是负数。要取绝对值（cv2.covertscaleAbs()）

# 图像梯度计算的是图像变化的速度。一般情况下，图像梯度计算的是图像的边缘信息。

# 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

# 图像深度是指存储每个像素值所用的位数，例如cv2.CV_8U，指的是8位无符号数，取值范围为0~255，

# 超出范围则会被截断（截断指的是，当数值大于255保留为255，当数值小于0保留为0，其余不变）。

# 具体还有：CV_16S（16位无符号数），CV_16U（16位有符号数），CV_32F（32位浮点数），CV_64F（64位浮点数）

# 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，通常得不到想要的结果

# convertScaleAbs：缩放，计算绝对值，然后将结果转换为8位。

img = cv2.imread(“sobelPicture.png”)

cv2.imshow(“yuanlaidetu”, img)

# x轴方向

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)

sobelx = cv2.convertScaleAbs(sobelx)

cv2.imshow(“sobelx”, sobelx)

# y轴方向

sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1)

sobely = cv2.convertScaleAbs(sobely)

cv2.imshow(“sobely”, sobely)

# 合并

sobel = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

cv2.imshow(“sobel”, sobel)

# 图像梯度—Scharr算子：更敏感

# 图像梯度—laplacian算子：距离近

lena = cv2.imread(“lena.png”, cv2.IMREAD_GRAYSCALE)

cv2.imshow(“lena”, lena)

# Scharr

scharrx = cv2.Scharr(lena, cv2.CV_64F, 1, 0)

scharry = cv2.Scharr(lena, cv2.CV_64F, 0, 1)

scharrx = cv2.convertScaleAbs(scharrx)

scharry = cv2.convertScaleAbs(scharry)

scharr = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0)

cv2.imshow(“scharr”, scharr)

print(scharry.shape)

# Laplacian

laplacian = cv2.Laplacian(lena, cv2.CV_64F, ksize=3)

laplacian = cv2.convertScaleAbs(laplacian)

cv2.imshow(“laplacian”, laplacian)

# Canny边沿检测

# 梯度值>maxVal:则处理为边界

# minVal<梯度值<maxVal:连有边界则保留，否则舍弃

# 梯度值<minVal:则舍弃

img = cv2.imread(“lena.png”, cv2.IMREAD_GRAYSCALE)

cv2.imshow(“lena”, img)

lena_Canny1 = cv2.Canny(img, 80, 150)

lena_Canny2 = cv2.Canny(img, 10, 80)

cv2.imshow(“lena_Canny1”, lena_Canny1)

cv2.imshow(“lena_Canny2”, lena_Canny2)

# 图像金字塔

# 高斯金字塔

# 向下采样方法（减小：将Gi与高斯内核卷积，将所有的偶数行和列去掉）

# 向上采样方法（增大：将图像在每个方向扩大为原来两倍，新增的行列用0填充，使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值）

img = cv2.imread(“lena.png”)

cv2.imshow(“img”, img)

# 高斯金字塔

up = cv2.pyrUp(img)

up_down = cv2.pyrDown(up)

g_s = img - up_down

cv2.imshow(“g_s”, g_s)

# 拉普拉斯金字塔

img = cv2.imread(“lena.png”)

down = cv2.pyrDown(img)

down_up = cv2.pyrUp(down)

print(img.shape)

print(down_up.shape)

down_up = down_up[0:661, 0:671, :]

l_l = img - down_up

cv2.imshow(“down_up”, l_l)

# 图像轮廓：为了准确率更高，使用二值图像

img = cv2.imread(“counter1.png”)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

countours, hierarchy= cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# opencv2返回两个值：contours：hierarchy。注:opencv3会返回三个值,分别是img, countours, hierarchy

# cv2.RETR_EXTERNAL 表示只检测外轮廓

# cv2.RETR_LIST 检测的轮廓不建立等级关系

# cv2.RETR_CCOMP 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。

# cv2.RETR_TREE 建立一个等级树结构的轮廓。

# cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1

# cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

# cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法

draw_img = img.copy()

res = cv2.drawContours(draw_img, countours, -1, (0, 0, 255), 5)

cv2.imshow(“draw_img”, draw_img)

# 轮廓特征

cnt = countours[0]

# 面积

print(cv2.contourArea(cnt))

# 周长,True表示闭合的

print(cv2.arcLength(cnt, True))

# 轮廓近似

img = cv2.imread(“contour3.png”)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)

cv2.imshow(“thresh”, thresh)

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

cnt = contours[0]

draw_img = img.copy()

res = cv2.drawContours(draw_img, cnt, -1, (0, 0, 255), 1)

cv2.imshow(“res”, res)

epsilion = 0.00001*cv2.arcLength(cnt, True)

approx = cv2.approxPolyDP(cnt, epsilion, True)

# double epsilon：判断点到相对应的line segment 的距离的阈值。（距离大于此阈值则舍弃，小于此阈值则保留，

# epsilon越小，折线的形状越“接近”曲线。）

# bool closed：曲线是否闭合的标志位。

draw_img1 = img.copy()

res1 = cv2.drawContours(draw_img1, approx, -1, (0, 0, 255), 2)

cv2.imshow(“res1”, res1)

边界矩形

img = cv2.imread(“contour3.png”)

while True:

# ret, frame = vc.read()
# cv2.imshow("xianchang", frame)
# frame_part = frame[200:400, 400:800]
# cv2.imshow("frame_part", frame_part)
if cv2.waitKey(20) & 0xFF == ord('q'):
    break

cv2.destroyAllWindows()写自定义目录标题)

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: opencv基础

带尺寸的图片: opencv基础

居中的图片: opencv基础

居中并且带尺寸的图片: opencv基础

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目 Value
电脑 $1600
手机 $12
导管 $1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列 第二列 第三列
第一列文本居中 第二列文本居右 第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE ASCII HTML
Single backticks 'Isn't this fun?' ‘Isn’t this fun?’
Quotes "Isn't this fun?" “Isn’t this fun?”
Dashes -- is en-dash, --- is em-dash – is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接 长方形 圆 圆角长方形 菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.3.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

上一篇：Linux Kernel VFS-Read（2）


下一篇：苍了天，Debug 出了Bug