layout: _posts
title: opencv基本操作(1).md
date: 2021-09-16 23:08:24
tags:

本贴记录，总结opencv，的使用与安装。也给来的朋友做一个参考作用

1.先安装opencv和相应版本的opencv-contrib-python

pip install opencv-python pip install opencv-contrib-python=='版本号'

2.开始教程 1.图片和视频的读取和显示保存 1.使用opencv读取相应的图片
代码:

import cv2 import numpy as np import matplotlibtu.pyplot as pltimg = cv2.imread("F:/images/1.jpg") # 读取的img为一个numpy数组

相应的可以使用 img.shape 来查看数组的形状,也可以使用
图片的显示：

# 'result'参数表示窗口的名称 cv2.imshow('result',img) cv2.waitKey(0) cv2.destroyAllWindows()

此时的waitkey中的参数可以为0，或者其他，为0时表示按任意键退出，而填写其他数时表示图片窗口的持续时间
可以将编写一个显示函数进行替代：

def cv_show(name,img): cv2.show(name,img) cv2.waitKey(0) cv2.destroyAllWindows()

2.读取相应的灰度图

img = cv2.imread('F:/images/1.jpg',cv2.IMGREAD_GRAYSCALE)

3. 图片的保存

cv2.imwrite('F:/images/save_picture.jpg',img)

4.视频的读取

vc = Cv2.videoCapture('F:/images/2.mp4') if vc.isOpened(): open, frame = vc.read() else: open = Falsewhile open: ret, frame = vc.read() if frame is None: break if ret == True: # 将每一帧的图像都转化为灰度图 gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) cv2.imshow('result',frame) if cv2.waitKey(10) & 0xFF == 27: break cv2.release() cv2.destroyAllWindows()

2.图片的处理 1.截取图片的指定位置

img = cv2.imread('F:/images/1.jpg') car = img[:200,:200] cv_show('result',car)

2.对图片色道的拆分与合并

b, g, r = cv2.split(img) img = cv2.merge((b, g, r)) # 也可以这样操作 b = img[:,:,0] g = img[:,:,1] r = img[:,:,2] # 将三种通道单独显示 cur_img = img.copy() cur_img_b[:,:,1] = 0 cur_img_b[:,:,2] = 0 plt.subplot(231), plt.imshow(cur_img_b)cur_img_g[:,:,0] = 0 cur_img_g[:,:,2] = 0 plt.subplot(232), plt.imshow(cur_img_g) cur_img_r[:,:,0] = 0 cur_img_r[:,:,1] = 0 plt.subplot(233), plt.imshow(cur_img_r)

3.边界填充

# 设置四周的填充大小 top_size, bottom_size, left_size, right_size = (100,100,100,100) replicate = cv2.copyMakeBorder(img, top_size, bottom_size, left_size, right_size, 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.copyMakeBoder(img,top_size, bottom_size, left_size, right_size, cv2.BORDER_WRAP) constant = cv2.copyMakeBoder(img, top_size, bottom_size, left_size, right_size, BORDER_CONSTANT,value = https://www.it610.com/article/0)

• relicate：对边界进行复制填充
  
• reflect：对图片的两边的像素进行反射
  
• refect101：以边缘为轴进行反射
  
• wrap：对四周进行重复填充
  
• constant：对照片进行常数填充
  

  将几种填充显示出来 import matplotlib.pyplot as plt plt.subplot(231), plt.imshow(img),plt.title('original') plt.subplot(232), plt.imshow(replicate),plt.title('replicate') plt.subplot(233), plt.imshow(reflect),plt.title('reflect') plt.subplot(234), plt.imshow(reflect101), plt.title('reflect101') plt.subplot(235), plt.imshow(wrap), plt.title('wrap') plt.subplot(236), plt.imshow(constant), plt.title('constant')

  
  

  BORDER_REPLICATE:复制法，也就是复制最边缘的像素 BORDER_REFLECT:反射法，对感兴趣的图像中的像素在两边进行复制，如fedcba|abcdefgh|hgfedcb BORDER_REFLECT_101:反射法，也就是以边缘为轴，对称如：hgfedc|abcdefgh|fedcba BORDER_WRAP:外包装法cdefgh|abcdefgh|abcdefg BORDER_CONSTANT:常数法，使用常数值进行填充

  
  

4.数值计算

# 图片的读入 img_car = cv2.imread('F:/images/1.jpg') img_car2 = img_car+10 cv_show('result',img_car2)

1. 直接对读取出来的图片进行直接相加

# 该方式会对于图片中的像素点像素值高于255进行取余计算 img_car+img_car2

2. 使用opencv中的add函数

# 该方法对于像素点像素值高于255按255计算 cv2.add(img_car,img_car2)

5.图像融合

# 对图像进行读取 img_car = cv2.imread('F:/images/1.jpg') img_cat = cv2.imread('F:/images/3.jpg') # 使用cv2.addWeighted() res = cv2.addWeighted(img_cat,0.6,img_car,0.3,0) # 将两张不同的图片按比例进行融合，谁的比重小谁更明显，对于融合后的像素点高于255的也是进行取余计算

6.图片形状的改变

# 使用官方的cv2.resize()函数 res = cv2.resize(img,(0,0),fx=4,fy=3) plt.imshow(res) plt.show() # 此处的（0，0）指输出图片的尺寸，为零时指按图片的大小来进行缩放

3.图像的阈值和平滑处理 1.图像的阈值操作
res, dst = cv2.threshold(src,thresh,maxval,type)
src:输入图，只能输入单通道图像，通常为灰度图
dst:输出图
threash:阈值
maxval:当像素超过了阈值或者小于阈值，根据type来决定所赋予的值
type:二值化操作的类型，包括以下五种类型： cv2.THRESH_BINARY; cv2.THRESH_BINARY_INV; cv2.THRESH_TRUNC; cv2.THRESH_TOZERO; cv2.THRESH_TOZERO_INV
cv2.THRESH_BINARY:超过阈值取maxval，否则则取0
cv2.THRESH_BINARY_INV:THRESH_BINARY的反转
cv2.THRESH_TRUNC:大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO:大于阈值部分不变，否则设为0
cv2.THRESH_TOZERO_INV:THRESH_TOZERO的反转

img_gray = cv2.imread('F:/images/1.jpg',cv2.IMREAD_GRAYSCALE) img = cv2.imread('F:/images/1.jpg') ret, thresh1 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY) ret, thresh2 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV) ret, thresh3 = cv2.threshold(img_gray,127,255,cv2.THRESH_TRUNC) ret, thresh4 = cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO) ret, thresh5 = cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO_INV)titles = ['ORIGINAL','THRESH_BINARY','THRESH_BINARY_INV','THRESH_TRUNC','THRESH_TOZERO','THRESH_TOZERO_INV'] images = [img,thresh1,thresh2,thresh3,thresh4,thresh5] for i in range(6): plt.subplot(2,3,i+1),plt.imshow(images[i]) plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()

2. 平滑处理

import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread('F:/images/4.jpg') cv2.imshow('result',img) cv2.waitKey(0) cv2.destroyAllWindows()

1.方框滤波

box = cv2.boxFilter(img,-1,(3,3),normalize=True)# 区别，当normalize为True时，和均值滤波相同，而为False时，则不做归一化操作，对于高于255的按255算box1 = cv2.boxFilter(img,-1,(3,3),normalize=False) plt.subplot(121),plt.imshow(box) plt.subplot(122),plt.imshow(box1) plt.show()

2. 高斯滤波

aussian = cv2.GaussianBlur(img,(5,5),1) plt.imshow(aussian) plt.show()

3.中值滤波

# 对于带有噪点的图片中值滤波的优化效果最明显 median = cv2.medianBlur(img,5) plt.imshow(median) plt.show()

4.总结对比，将图片放到一起比较

res = np.hstack((img,blur,box,aussian,median)) # cv2.imshow('result',res) # cv2.waitKey(0) # cv2.destroyAllWindows() plt.imshow(res) plt.show()

3.图像的形态学操作

# 图片和模块的导入 import cv2 import matplotlib.pyplot as plt import numpy as npimg = cv2.imread('F:/images/5.jpg') plt.imshow(img) plt.show()

1.腐蚀操作

# 腐蚀操作一般用于二值数据的图 kernel = np.array([[0.5,0.5,0.5],[1,1,1],[2,2,2]]) # kernel = np.ones((5,5)) erosion = cv2.erode(img,kernel,iterations = 1) plt.imshow(erosion) plt.show()

2.膨胀操作

img = cv2.imread('F:/images/5.jpg') kernel = np.ones((2,2),dtype = np.uint8) erosion = cv2.erode(img,kernel,iterations = 1) fig = plt.figure(figsize = (10,15)) plt.subplot(121), plt.imshow(erosion) img_dilate = cv2.dilate(erosion,kernel,iterations = 3) plt.subplot(122),plt.imshow(img_dilate) plt.show()

3.开预算与闭运算
1.开运算：先腐蚀再膨胀

img = cv2.imread('F:/images/5.jpg') kernel = np.ones((3,3),dtype = np.int8) opening = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel) # cv2.imshow('opening',opening) # cv2.waitKey(0) # cv2.destroyAllWindows() plt.imshow(opening) plt.show()

2. 闭运算：先膨胀再腐蚀

closing = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel) plt.imshow(closing) plt.show()

4.梯度运算

# 梯度运算：膨胀-腐蚀 kernel = np.ones((2,2),dtype = np.uint8) img_erosion = cv2.erode(img,kernel,iterations = 2) img_dilate = cv2.dilate(img,kernel,iterations = 2) plt.subplot(131),plt.imshow(img_erosion) plt.subplot(132),plt.imshow(img_dilate) res = img_dilate - img_erosion plt.subplot(133),plt.imshow(res) plt.show()result = np.hstack((img_erosion,img_dilate,res)) cv2.imshow('result',result) cv2.waitKey(0) cv2.destroyAllWindows() # 通过梯度运算可以得到图像的轮廓

5.礼帽与黑帽

• 礼帽：原始 - 开运算结果
  
• 黑帽：闭运算 - 原始
  

# 礼帽 kenel = np.ones((3,3),dtype = np.unit8) tophat = cv2.morphology(img,cv2.MORPH_TOPHAT,kenel) plt.imshow() plt.show()

# 黑帽 kernel = np.ones((3,3),dtype=np.uint8) blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT,kernel) plt.imshow(blackhat) plt.show()

4. 图像的梯度计算 1、图像和库的导入

import cv2 import numpy as np import matplotlib.pyplot as pltdef cv_show(name,image): cv2.namedWindow(name,cv2.WINDOW_NORMAL) cv2.imshow(name,image) cv2.waitKey(0) cv2.destroyAllWindows()

2.sobel算子

文章图片


文章图片

文章图片


文章图片


文章图片

dst = cv2.Sobel(src,ddepth,dx,dy,ksize)

• ddpeth:图像的深度
  
• dx,dy：分别表示水平和竖直方向
  
• ksize是sobel算子的大小
  

# 不对sobel_X,sobel_y做绝对值操作,且不传入灰度图后的结果 img = cv2.imread('F:/images/3.jpg') sobel_x = cv2.Sobel(img,cv2.CV_64F,1,0,ksize = 3) sobel_y = cv2.Sobel(img,cv2.CV_64F,0,1,ksize = 3) sobel_xy = cv2.Sobel(img,cv2.CV_64F,1,1,ksize = 3) res1 = cv2.addWeighted(sobel_x,0.5,sobel_y,0.5,0) res2 = sobel_x+sobel_y # cv_show('oranginal',img) # cv_show('sobel_X',res) plt.subplot(231),plt.imshow(img) plt.subplot(232),plt.imshow(sobel_x) plt.subplot(233),plt.imshow(sobel_y) plt.subplot(234),plt.imshow(res1) plt.subplot(235),plt.imshow(sobel_xy) plt.subplot(236),plt.imshow(res2) plt.show()

img = cv2.imread('F:/images/3.jpg', cv2.IMREAD_GRAYSCALE) sobel_x = cv2.Sobel(img,cv2.CV_64F,1,0,ksize = 3) sobel_y = cv2.Sobel(img,cv2.CV_64F,0,1,ksize = 3) sobel_xy = cv2.Sobel(img,cv2.CV_64F,1,1,ksize = 3) res1 = cv2.addWeighted(sobel_x,0.5,sobel_y,0.5,0) res2 = sobel_x+sobel_y # cv_show('oranginal',img) # cv_show('sobel_X',res) plt.subplot(231),plt.imshow(img) plt.subplot(232),plt.imshow(sobel_x) plt.subplot(233),plt.imshow(sobel_y) plt.subplot(234),plt.imshow(res1) plt.subplot(235),plt.imshow(sobel_xy) plt.subplot(236),plt.imshow(res2) plt.show() # 从白到黑正数，而从黑到白为负数，所有的负数将会被截断成0，所以要取绝对值

img = cv2.imread('F:/images/3.jpg',cv2.IMREAD_GRAYSCALE) sobel_x = cv2.Sobel(img,cv2.CV_64F,1,0,ksize = 3) sobel_x = cv2.convertScaleAbs(sobel_x) sobel_y = cv2.Sobel(img,cv2.CV_64F,0,1,ksize = 3) sobel_y = cv2.convertScaleAbs(sobel_y) sobel_xy = cv2.Sobel(img,cv2.CV_64F,1,1,ksize = 3) sobel_xy = cv2.convertScaleAbs(sobel_xy) res1 = cv2.addWeighted(sobel_x,0.5,sobel_y,0.5,0) res2 = sobel_x+sobel_y # cv_show('oranginal',img) # cv_show('sobel_X',res) plt.subplot(231),plt.imshow(img) plt.subplot(232),plt.imshow(sobel_x) plt.subplot(233),plt.imshow(sobel_y) plt.subplot(234),plt.imshow(res1) plt.subplot(235),plt.imshow(sobel_xy) plt.subplot(236),plt.imshow(res2) plt.show()

对于ddpeth参数：

• CV_64FC1: 一个像素点占有64位浮点数，单通道,如灰度图
• CV_64FC3：一个像素点占有64位浮点数，四通道，如带有alpha的rgb图像
• CV_32FC1：一个像素点占有32位浮点数，单通道
• CV_32FC3：一个像素点占有32位浮点数，四通道

Sobel算子算法的优点是计算简单，速度快。但是由于只采用了2个方向的模板，只能检测水平和垂直方向的边缘，因此这种算法对于纹理较为复杂的图像，其边缘检测效果就不是很理想。该算法认为：凡灰度新值大于或等于阈值的像素点时都是边缘点。这种判断欠合理，会造成边缘点的误判，因为许多噪声点的灰度值也很大。
3.Scharr算子
【深度学习|opencv基本操作】
文章图片

• Sobel算子可以有效的提取图像边缘，但是对图像中较弱的边缘提取效果较差。因此为了能够有效的提取出较弱的边缘，需要将像素值间的差距增大，因此引入Scharr算子。Scharr算子是对Sobel算子差异性的增强，因此两者之间的在检测图像边缘的原理和使用方式上相同。Scharr算子的边缘检测滤波的尺寸为3×3，因此也有称其为Scharr滤波器。可以通过将滤波器中的权重系数放大来增大像素值间的差异，Scharr算子就是采用的这种思想，其在X方向和Y方向的边缘检测算子

dst = cv2.Scharr(src,ddpeth,dx,dy)
与Sobel算子相同

img = cv2.imread('F:/images/3.jpg',cv2.IMREAD_GRAYSCALE) scharr_x = cv2.Scharr(img,cv2.CV_64F,1,0) scharr_y = cv2.Scharr(img,cv2.CV_64F,0,1) scharr_x = cv2.convertScaleAbs(scharr_x) scharr_y = cv2.convertScaleAbs(scharr_y) res = cv2.addWeighted(scharr_x,0.5,scharr_y,0.5,0) plt.subplot(121),plt.imshow(res),plt.title('shcarr') plt.subplot(122),plt.imshow(res1),plt.title('sobel') plt.show()

4.laplacian算子

文章图片


文章图片

img = cv2.imread('F:/images/3.jpg',cv2.IMREAD_GRAYSCALE) sobel_x = cv2.Sobel(img,cv2.CV_64F,1,0,ksize = 3) sobel_y = cv2.Sobel(img,cv2.CV_64F,0,1,ksize = 3) sobel_x = cv2.convertScaleAbs(sobel_x) sobel_y = cv2.convertScaleAbs(sobel_y) sobel_xy = cv2.addWeighted(sobel_x,0.5,sobel_y,0.5,0)scharr_x = cv2.Scharr(img,cv2.CV_64F,1,0) scharr_y = cv2.Scharr(img,cv2.CV_64F,0,1) scharr_x = cv2.convertScaleAbs(scharr_x) scharr_y = cv2.convertScaleAbs(scharr_y) scharr_xy = cv2.addWeighted(scharr_x,0.5,scharr_y,0.5,0)laplacian = cv2.Laplacian(img,cv2.CV_64F) laplacian = cv2.convertScaleAbs(laplacian) plt.subplot(131),plt.imshow(sobel_xy),plt.title('SOBEL') plt.subplot(132),plt.imshow(scharr_xy),plt.title('SCHARR') plt.subplot(133),plt.imshow(laplacian),plt.title('LAPLACIAN') plt.show()

我们发现Laplacian算子进行边缘检测并没有像Sobel或Prewitt那样的平滑过程，所以它会对噪声产生较大的响应，并且无法分别得到水平方向、垂直方向或者其他固定方向的的边缘。但是它只有一个卷积核，所以计算成本会更低。

# 先对图像进行高斯滤波处理再进行Laplacian算子边缘检测 img = cv2.imread('F:/images/1.jpg') img = cv2.GaussianBlur(img,(3,3),1) laplacian = cv2.Laplacian(img,cv2.CV_64F) laplacian = cv2.convertScaleAbs(laplacian)# 将laplacian算子得出的的结果和原图像进行叠加，来实现锐化效果res = cv2.addWeighted(img,0.5,laplacian,0.5,0) plt.subplot(131),plt.imshow(img),plt.title('original') plt.subplot(132),plt.imshow(laplacian),plt.title('laplacian') plt.subplot(133),plt.imshow(res),plt.title('result') plt.show()

5.图像金字塔与轮廓检测 1.库的导入

import cv2 import numpy as np import matplotlib.pyplot as plt

2 .图像金字塔

文章图片

1.高斯图像金字塔
文章图片

<1> 对图像G_i进行高斯内核卷积，进行高斯模糊；
<2> 将所有偶数行和列去除。
得到的图像即为G_i+1的图像，显而易见，结果图像只有原图的四分之一。通过对输入图像G_i(原始图像)不停迭代以上步骤就会得到整个金字塔。同时我们也可以看到，向下取样会逐渐丢失图像的信息。以上就是对图像的向下取样操作，即缩小图像。

• 对图像的向上取样，即放大图像

1.向下采样（缩小）
文章图片

对图像进行高斯核卷积操作

img = cv2.imread('F:/images/3.jpg') img = cv2.pyrDown(img) cv_show('result',img) img.shape

2.向上采样（放大）

img = cv2.pyrUp(img) cv_show('result',img) img.shape

2.拉普拉斯图像金字塔
文章图片

原图像 - 原图像先向上采样，再向下采样的结果

文章图片

作用利用拉普拉斯图像金字塔对向下采样后的图像进行完美还原，从而实现反卷积的过程
OpenCV中使用pyrDown/pyrUp和resize都可以达到缩放图像的目的，区别在于前者是基于高斯模糊然后降采样，而后者是直接通过插值的方法
图像金字塔内容详情见：
1.csdn链接
2.csdn链接
看了哔哩哔哩链接花了一部分时间整理一下opencv入门的基本操作，仅供参考

推荐阅读

• 

  洛阳牡丹怎么养，洛阳牡丹花如何养
• 

  虎头茉莉怎么施肥 虎头茉莉怎么养
• 

  战歌竞技场亡灵战阵容怎么组 战歌竞技场亡灵战阵容分享
• 

  小学毕业寄语50句话 小学毕业寄语50句
• 

  脂肪型肥胖的危害有哪些 引起肥胖的三类脂肪
• 

  光火神殿为什么在秩序之战闭门不出？
• 

  我最近经常吃辣条，会口臭，是辣条造成的吗？
• 

  胡忠信名字打分102分
• 

  翠玉是玉还是翡翠 翠玉属于翡翠吗
• 

  精油皂和洗面奶哪个洗脸好
• 

  吃菠萝蜜会发胖吗
• 

  gmc是什么车gmc是哪个公司的车
• 

  淘宝不认tm商标 淘宝如何申请商标入驻，入驻淘宝品牌库显示近似商标
• 

  空调外机没有水滴下来怎么回事 美的空调制冷室外机不滴水怎么回事
• 

  抖音极速版怎么合拍不了 抖音极速版怎么合拍
• 

  信息流推荐系统智能交付解决方案探索
• 

  佳能废墨垫清零教程视频下载安装
• 

  到山西做客，主家很少用青花汾招待，这4款好酒才是宴请的首选
• 

  欧洲的牧场和食品库之称的国家是
• 

  520和521代表什么意思 520和521区别是什么

• 深度学习|yolov3详解
• 卷积|YOLO论文系列笔记(中)
• OpenCV转换成灰度图像
• 深度图像转换为灰度图
• 图像处理|人工智能最新研究发展方向——OCR文字识别简述
• 深度学习|人工智能发展史——卷积神经网络
• 深度学习|遥感旋转目标检测模型（R3Det 实验记录）
• transformer|Swin-Transformer-Semantic-Segmentation训练自己的数据集
• transformer|利用swin-transformer训练自己的数据集