openCV入門(mén)學(xué)習(xí)基礎(chǔ)教程第二篇
1. HSV
由我們上一章所學(xué)，導(dǎo)入圖片將其轉(zhuǎn)化為灰度圖并定義顯示圖片函數(shù)cv_show()。
import cv2 #opencv讀取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
%matplotlib inline
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
img = cv2.imread('./data/gd01.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# img_gray.shape 為 (300,400)cv_show('win1',img_gray)
HSV：
- H - 色調(diào)（主波長(zhǎng)）。
- S - 飽和度（純度/顏色的陰影）。
- V值（強(qiáng)度）
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) # 轉(zhuǎn)換成RGB
cv_show('win',hsv)
2. 圖像閾值
上章所學(xué)我們得知，矩陣中unit8值(0-255)越大表示越亮，我們可以設(shè)定一個(gè)閾值thresh，比它大的做什么什么操作，比它小的做什么什么操作。
ret, dst = cv2.threshold(src, thresh, maxval, type) src： 輸入圖，只能輸入單通道圖像，通常來(lái)說(shuō)為灰度圖
- dst： 輸出圖
- thresh： 閾值(0-255我們一般取127。)
- maxval： 當(dāng)像素值超過(guò)了閾值（或者小于閾值，根據(jù)type來(lái)決定），所賦予的值。
- type：二值化操作的類(lèi)型，包含以下5種類(lèi)型：
- cv2.THRESH_BINARY 超過(guò)閾值部分取maxval（最大值），否則取0。
- cv2.THRESH_BINARY_INV , THRESH_BINARY的反轉(zhuǎn)。
- cv2.THRESH_TRUNC 大于閾值部分設(shè)為閾值，否則不變。
- cv2.THRESH_TOZERO 大于閾值部分不改變，否則設(shè)為0。
- cv2.THRESH_TOZERO_INV THRESH_TOZERO的反轉(zhuǎn)。
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)
# ps: ret為127 thresh1-5為圖片矩陣
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
可以看到，與原始圖片對(duì)比，(閾值127)情況下BINARY在亮的地方更亮了(變?yōu)?55)，暗的地方更暗了(變?yōu)榱?)。BINART_INV與其相反。后三種方法同理如上面所解釋。
3. 圖像平滑
對(duì)圖像數(shù)據(jù)進(jìn)行濾波操作。
在這之前我們先來(lái)學(xué)習(xí)一下如何給圖片加入噪聲，變成以下這種。
可以看到其實(shí)就是在這個(gè)矩陣隨機(jī)位置的像素點(diǎn)變成了白色，255。
img = cv2.imread('./data/gd07.jpg')
#獲取圖片行、列、通道數(shù)
rows,cols,channels = img.shape
for i in range(0,5000):
#根據(jù)在0和行-1之間獲取隨機(jī)整數(shù)
x = np.random.randint(0,rows-1)
#根據(jù)在0和列-1之間獲取隨機(jī)整數(shù)
y = np.random.randint(0,cols-1)
#將通道顏色改為255, (255,255,255)
img[x,y][0] = 255
img[x,y][1] = 255
img[x,y][2] = 255
cv_show('win',img)那么現(xiàn)在我們有了這種圖像，該學(xué)習(xí)如何去掉噪音點(diǎn)了~
- blur = cv2.blur(img, (3, 3))
- 均值濾波
- box = cv2.boxFilter(img,-1,(3,3), normalize=True)
- 方框?yàn)V波
- box = cv2.boxFilter(img,-1,(3,3), normalize=False)
- 方框?yàn)V波
- aussian = cv2.GaussianBlur(img, (5, 5), 1)
- 高斯濾波
- median = cv2.medianBlur(img, 5)
- 中值濾波
均值濾波--簡(jiǎn)單的平均卷積操作(卷積核大小3*3內(nèi)部值都是1，下方參數(shù)是3*3矩陣均值)
blur = cv2.blur(img, (3, 3))
cv_show('win',blur)
方框?yàn)V波--基本和均值一樣，可以選擇歸一化(-1表示顏色通道一致，3*3同上，normalize=True做歸一化，此時(shí)與上方均值濾波是一樣的。)
box = cv2.boxFilter(img,-1,(3,3), normalize=True)
cv_show('win',box)
方框?yàn)V波--基本和均值一樣，可以選擇歸一化,容易越界。(不再均值除以9，和大于255按255賦值。)
box = cv2.boxFilter(img,-1,(3,3), normalize=False)
cv_show('win',box)
高斯濾波--高斯模糊的卷積核里的數(shù)值是滿足高斯分布，相當(dāng)于更重視中間的。(此時(shí)卷積核不再全是1，而是離的近的相對(duì)較大，離得遠(yuǎn)的相對(duì)較小。)
aussian = cv2.GaussianBlur(img, (5, 5), 1)
cv_show('win',aussian)
中值濾波--相當(dāng)于用中值代替(5*5的矩陣25個(gè)數(shù)，中間值為處理結(jié)果。)
median = cv2.medianBlur(img, 5) # 中值濾波
cv_show('win',median)
均值、高斯、中值濾波對(duì)比：
res = np.hstack((blur,aussian,median))
#print (res)
cv_show('median vs average', res)
4. 形態(tài)學(xué)-腐蝕操作
所謂腐蝕操作，就是一點(diǎn)點(diǎn)侵蝕圖片中的內(nèi)容，如我剛剛揮筆寫(xiě)下的“帥”字，它長(zhǎng)了很多“毛”，我們要把他侵蝕掉：
img = cv2.imread('./data/s.jpg', cv2.IMREAD_GRAYSCALE)
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv_show('win',erosion)erosion = cv2.erode(img,kernel,iterations = 1)
- kernel 卷積核
- iterations 迭代次數(shù)
這不比之前更帥了(被腐蝕得線條也變瘦了)
關(guān)于卷積核選取和迭代次數(shù)：
上面選用3*3，以帥字為例，當(dāng)3*3區(qū)域出現(xiàn)不同值(如這里0和255)，那么就把這個(gè)點(diǎn)腐蝕掉。
卷積核如果選擇太大，可能會(huì)直接被侵蝕沒(méi)掉。
pie = cv2.imread('./data/pie.png')
kernel = np.ones((30,30),np.uint8)
erosion_1 = cv2.erode(pie,kernel,iterations = 1)
erosion_2 = cv2.erode(pie,kernel,iterations = 3)
erosion_3 = cv2.erode(pie,kernel,iterations = 5)
res = np.hstack((erosion_1,erosion_2,erosion_3))
cv_show('win',res)
5. 形態(tài)學(xué)-膨脹操作
我們上面不僅把“帥”邊上長(zhǎng)的“毛”去掉了，由于我們選擇3*3卷積核，還順便讓它變瘦了，我們就以它變瘦之后的圖片為例，再讓它胖起來(lái)。
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
kernel = np.ones((3,3),np.uint8)
shuai = cv2.erode(img,kernel,iterations = 1)
kernel = np.ones((3,3),np.uint8)
shuai_PLUS = cv2.dilate(shuai,kernel,iterations = 1)
cv_show('win',shuai_PLUS )shuai_PLUS = cv2.dilate(shuai,kernel,iterations = 1)
同理
pie = cv2.imread('./data/pie.png')
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('win',res)
6. 開(kāi)運(yùn)算與閉運(yùn)算
開(kāi)：先腐蝕，再膨脹
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv_show('win',opening)opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
閉：先膨脹，再腐蝕
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv_show('win',closing)closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
7. 梯度運(yùn)算
梯度=膨脹-腐蝕
pie = cv2.imread('./data/pie.png',cv2.IMREAD_GRAYSCALE)
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)
res = np.hstack((dilate,erosion))
cv_show('win',res)以下是經(jīng)過(guò)5次腐蝕和5次膨脹后的圖像：
獲得邊界信息：梯度運(yùn)算
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
cv_show('win',gradient)gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
8. 禮帽與黑帽
- 禮帽 = 原始輸入-開(kāi)運(yùn)算結(jié)果
- 黑帽 = 閉運(yùn)算-原始輸入
# 禮帽
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv_show('win',tophat)（只剩下“毛”了 ）
# 黑帽
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv_show('win',blackhat)（只剩下小輪廓了）
9. 圖像梯度-Sobel算子
我們依舊引入圖像pie
img = cv2.imread('./data/pie.png',cv2.IMREAD_GRAYSCALE)
cv_show('win',img)
可見(jiàn)在邊緣部分(黑白交界)，梯度比較大。
定義Gx，Gy處理水平和豎直方向上的梯度。
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show('sobelx',sobelx)dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
- ddepth:圖像的深度(一般-1)
- dx和dy分別表示水平和豎直方向
- ksize是Sobel算子的大小
- cv2.CV_64F處理差為負(fù)數(shù)情況。
為什么只有一半呢？
我們定義的矩陣計(jì)算時(shí)是右-左，白-黑>0正常顯示，黑-白<0進(jìn)行了截?cái)酁?，
白到黑是正數(shù)，黑到白就是負(fù)數(shù)了，所有的負(fù)數(shù)會(huì)被截?cái)喑?，所以要取絕對(duì)值。
我們需要對(duì)其進(jìn)行一下轉(zhuǎn)換：
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show('sobelx',sobelx)sobelx = cv2.convertScaleAbs(sobelx)
上面是水平方向，下面是豎直方向：
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)
cv_show('sobelx',sobely)
分別計(jì)算x和y，再求和:
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show('sobelxy',sobelxy)
但不建議都是設(shè)置成1，效果可能不好。
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy)
cv_show('sobelxy',sobelxy)
建議：分別算Gx，Gy自己進(jìn)行求和操作：
img = cv2.imread('./data/gd01.jpg',cv2.IMREAD_GRAYSCALE)
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)
sobelxy2=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy2 = cv2.convertScaleAbs(sobelxy2)
res = np.hstack((sobelxy,sobelxy2))
cv_show('res',res)
10. 圖像梯度-Scharr算子和laplacian算子
Scharr算子
laplacian算子
核中數(shù)值有差異，Scharr敏感些。
laplacian算子涉及二階導(dǎo)，更加敏感同時(shí)對(duì)噪聲也更加敏感，一般和其他方法配合使用。
原理同上，我們來(lái)對(duì)比一下這三種算子效果：
img = cv2.imread('./data/gd01.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)
res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show('res',res)scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
10. 知識(shí)點(diǎn)總結(jié)*
圖像閾值：
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)
# ps: ret為127 thresh1-5為圖片矩陣
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()圖像平滑
# 加入噪聲
img = cv2.imread('./data/gd07.jpg')
#獲取圖片行、列、通道數(shù)
rows,cols,channels = img.shape
for i in range(0,5000):
#根據(jù)在0和行-1之間獲取隨機(jī)整數(shù)
x = np.random.randint(0,rows-1)
#根據(jù)在0和列-1之間獲取隨機(jī)整數(shù)
y = np.random.randint(0,cols-1)
#將通道顏色改為255, (255,255,255)
img[x,y][0] = 255
img[x,y][1] = 255
img[x,y][2] = 255
cv_show('win',img)blur = cv2.blur(img, (3, 3))
box = cv2.boxFilter(img,-1,(3,3), normalize=True)
aussian = cv2.GaussianBlur(img, (5, 5), 1)
median = cv2.medianBlur(img, 5)
res = np.hstack((blur,aussian,median))
cv_show('median vs average', res)形態(tài)學(xué)-腐蝕
img = cv2.imread('./data/s.jpg', cv2.IMREAD_GRAYSCALE)
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv_show('win',erosion)形態(tài)學(xué)-膨脹
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
kernel = np.ones((3,3),np.uint8)
shuai = cv2.erode(img,kernel,iterations = 1)
kernel = np.ones((3,3),np.uint8)
shuai_PLUS = cv2.dilate(shuai,kernel,iterations = 1)
cv_show('win',shuai_PLUS )開(kāi)運(yùn)算與閉運(yùn)算
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv_show('win',opening)梯度運(yùn)算
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
cv_show('win',gradient)禮帽與黑帽
# 禮帽
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv_show('win',tophat)
# 黑帽
img = cv2.imread('./data/s.jpg',cv2.IMREAD_GRAYSCALE)
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv_show('win',blackhat)Sobel、Scharr、Laplacian算子
img = cv2.imread('./data/gd01.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
laplacian = cv2.Laplacian(img,cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)
res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show('res',res)總結(jié)
到此這篇關(guān)于openCV入門(mén)學(xué)習(xí)基礎(chǔ)教程第二篇的文章就介紹到這了,更多相關(guān)openCV第二篇內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
使用pandas或numpy處理數(shù)據(jù)中的空值(np.isnan()/pd.isnull())
這篇文章主要介紹了使用pandas或numpy處理數(shù)據(jù)中的空值(np.isnan()/pd.isnull())，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-05-05
看了我文章了相信都了解了web端的元素定位了，沒(méi)看的，既然進(jìn)來(lái)了那么肯定多多少少知道些，本文主要來(lái)介紹APP的元素定位有哪些定位方式，我們又怎么去連接APP，然后通過(guò)工具去獲取元素2021-09-09
這篇文章主要介紹了python基于遞歸解決背包問(wèn)題，遞歸是個(gè)好東西，任何具有遞歸性質(zhì)的問(wèn)題通過(guò)函數(shù)遞歸調(diào)用會(huì)變得很簡(jiǎn)單。一個(gè)很復(fù)雜的問(wèn)題，幾行代碼就能搞定,需要的朋友可以參考下2019-07-07
numpy數(shù)組坐標(biāo)軸問(wèn)題解決
本文主要介紹了numpy數(shù)組坐標(biāo)軸問(wèn)題解決，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
這篇文章主要介紹了Python collections模塊的使用方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10
Python爬蟲(chóng)實(shí)戰(zhàn)之用selenium爬取某旅游網(wǎng)站
上一篇我們已經(jīng)知道怎么簡(jiǎn)單使用selenium了,那么我們就從這篇博客來(lái)動(dòng)手爬取網(wǎng)站吧,文中有非常詳細(xì)的代碼示例,需要的朋友可以參考下2021-06-06
在Keras中CNN聯(lián)合LSTM進(jìn)行分類(lèi)實(shí)例
這篇文章主要介紹了在Keras中CNN聯(lián)合LSTM進(jìn)行分類(lèi)實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-06-06
在某些情況下,您可能希望將字符串動(dòng)態(tài)轉(zhuǎn)換為變量名,在本文中,我們將通過(guò)四個(gè)簡(jiǎn)單的示例來(lái)探索如何在Python中將字符串轉(zhuǎn)換為變量名,需要的朋友可以參考下2024-10-10
使用tensorflow實(shí)現(xiàn)VGG網(wǎng)絡(luò),訓(xùn)練mnist數(shù)據(jù)集方式
這篇文章主要介紹了使用tensorflow實(shí)現(xiàn)VGG網(wǎng)絡(luò),訓(xùn)練mnist數(shù)據(jù)集方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-05-05
詳解Python中用于計(jì)算指數(shù)的exp()方法
這篇文章主要介紹了詳解Python中用于計(jì)算指數(shù)的exp()方法,是Python入門(mén)中必會(huì)的基本方法,需要的朋友可以參考下2015-05-05