OpenCV_图像处理

灰度图

import cv2 #opencv读取的格式是BGR

img=cv2.imread('cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_gray.shape

cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)    
cv2.destroyAllWindows() 
1
2
3
4
5
6
7
8
9

HSV

H - 色调（主波长）。
S - 饱和度（纯度/颜色的阴影）。
V值（强度

cv2.imshow("hsv", hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3

图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

• src： 输入图，只能输入单通道图像，通常来说为灰度图

• dst： 输出图- - thresh： 阈值

• maxval： 当像素值超过了阈值（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，包含以下5种类型：
  cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC；
  cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

  • cv2.THRESH_BINARY 超过阈值部分取maxval（最大值），否则取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 大于阈值部分不改变，否则设为0

  • cv2.THRESH_TOZERO_INV THRESH_TOZERO的反转

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 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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

图像平滑处理

1.均值滤波

简单的平均卷积操作
一般都是奇数矩阵

blur = cv2.blur(img, (3, 3))
1

2.方框滤波

参数解释：
-1：颜色通道一样

normalize=True：效果同上
normalize=False：>255全部赋为255

# 方框滤波
# 基本和均值一样，可以选择归一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)  

box = cv2.boxFilter(img,-1,(3,3), normalize=False)
1
2
3
4
5

3.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

第三个参数，中间最重要的设为1

aussian = cv2.GaussianBlur(img, (5, 5), 1)
1

4.中值滤波

相当于用中值代替
完全去噪

第二个参数：5表示找5*5矩阵中间那个数

median = cv2.medianBlur(img, 5) 
1

总结与对比展示

import cv2
import numpy as np

img = cv2.imread('img/lenaNoise.png')

# 均值滤波
blur = cv2.blur(img, (3, 3))
# 方框滤波
box = cv2.boxFilter(img,-1,(3,3), normalize=False)
# 高斯滤波
aussian = cv2.GaussianBlur(img, (5, 5), 1)
# 中值滤波
median = cv2.medianBlur(img, 5)  # 中值滤波

# 展示所有的
res = np.hstack((blur,aussian,median)) # 水平显示
# res = np.vstack((blur,box,aussian,median)) # 垂直显示
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

形态学

腐蚀操作

iterations：迭代次数

cv2.erode(img,kernel,iterations = 1)

kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
1
2

膨胀操作

cv2.dilate(dige_erosion,kernel,iterations = 1)

kernel = np.ones((3,3),np.uint8) 
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)
1
2

开运算与闭运算

开：先腐蚀，再膨胀
cv2.MORPH_OPEN

cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
1
2

闭：先膨胀，再腐蚀
cv2.MORPH_CLOSE

cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

kernel = np.ones((5,5),np.uint8)
cv2.MORPH_CLOSE
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
1
2
3

梯度

梯度=膨胀-腐蚀
cv2.MORPH_GRADIENT

cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)

# 梯度=膨胀-腐蚀
pie = cv2.imread('img/pie.png')
kernel = np.ones((7,7),np.uint8)

dilate = cv2.dilate(pie,kernel,iterations = 5) # 膨胀
erosion = cv2.erode(pie,kernel,iterations = 5) # 腐蚀

gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) # 梯度

res = np.hstack((dilate,erosion,gradient))

cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

礼帽与黑帽

礼帽 = 原始输入-开运算结果

cv2.MORPH_TOPHAT
结果：毛刺留下来了

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

img = cv2.imread('img/dige.png')
kernel = np.ones((7,7),np.uint8)

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

cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8

黑帽 = 闭运算-原始输入

迪哥轮廓
cv2.MORPH_BLACKHAT

cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)

img = cv2.imread('img/dige.png')
kernel = np.ones((7,7),np.uint8)

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

cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8

图像梯度

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

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)

tip:
不建议直接计算x,y，因为这样图像会有重影

import cv2
import numpy as np

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

img = cv2.imread('img/pie.png',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)
cv_show(sobelxy,'sobelxy')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Scharr算子

权值差别更大

laplacian算子

对噪音更敏感
通常和其他一起使用，不单独使用

总结

img = cv2.imread('img/lena.jpg',cv2.IMREAD_GRAYSCALE)

#不同算子的差异

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')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Canny边缘检测

1. 使用高斯滤波器，以平滑图像，滤除噪声。

2. 计算图像中每个像素点的梯度强度和方向。

3. 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

4. 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

5. 通过抑制孤立的弱边缘最终完成边缘检测。

img=cv2.imread("img/car.png",cv2.IMREAD_GRAYSCALE)

v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100) #更细致

res = np.hstack((v1,v2))
cv_show(res,'res')
1
2
3
4
5
6
7

图像金字塔

通过对图像的金字塔变化，抽取若干层进行分析

1.高斯金字塔

放大再缩小，图像会变模糊，因为会有两次损失

向下采样方法（缩小）

img=cv2.imread("AM.png")

down=cv2.pyrDown(img)
cv_show(down,'down')

1
2
3
4
5

向上采样方法（放大）

up=cv2.pyrUp(img)
cv_show(up,'up')
1
2

2.拉普拉斯金字塔

第一层结果：原始-（压缩+放大）

down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')
1
2
3
4

图像轮廓

cv2.findContours(img,mode,method)

• mode:轮廓检索模式

  • RETR_EXTERNAL ：只检索最外面的轮廓；
  • RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；
  • RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;
  • RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;

• method:轮廓逼近方法

  • CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。
  • CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

为了更高的准确率，使用二值图像。

img = cv2.imread('img/contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 为了更高的准确率，使用二值图像。

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

#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy,要不原图会变。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 1)
cv_show(res,'res')
1
2
3
4
5
6
7
8
9
10
11

应用

1.轮廓特征

cnt = contours[0]
#面积
print(cv2.contourArea(cnt))
#周长，True表示闭合的
print(cv2.arcLength(cnt, True))
1
2
3
4
5

2.轮廓近似

0.1：这个参数越小，近似度越高

epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)

img = cv2.imread('img/contours2.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, 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), 2)
cv_show(res,'res')

# 轮廓近似
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)

draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(res,'res')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

边界矩形、外接圆

边界矩形
img_rectangle = cv2.rectangle(img.copy(),(x,y),(x+w,y+h)

外接圆
img_radius = cv2.circle(img.copy(),center,radius,(0,255,0),2)

img = cv2.imread('img/contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[2]


# 外界矩形
x,y,w,h = cv2.boundingRect(cnt)
img_rectangle = cv2.rectangle(img.copy(),(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img_rectangle,'img_rectangle')

# 轮廓面积与边界矩形比
area = cv2.contourArea(cnt) # 轮廓面积
rect_area = w * h # 边界矩形
extent = float(area) / rect_area
print ('轮廓面积与边界矩形比',extent)



# 外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img_radius = cv2.circle(img.copy(),center,radius,(0,255,0),2)
cv_show(img_radius,'img_radius')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

模板匹配

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个程度的计算方法在OpenCV里有六种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AB大小，而模板是ab大小，则输入结果的矩阵是(A-a+1)*(B-b+1)

• cv2.TM_CCOEFF’,
• ‘cv2.TM_CCOEFF_NORMED’, 计算归一化相关系数，计算出来的值越接近1，越相关
• ‘cv2.TM_CCORR’,
• ‘cv2.TM_CCORR_NORMED’, 计算归一化相关性，计算出来的值越接近1，越相关
• ‘cv2.TM_SQDIFF’,
• cv2.TM_SQDIFF_NORMED’：计算归一化平方不同，计算出来的值越接近0，越相关

res = cv2.matchTemplate(img, template, method)

# 读取原图像
img = cv2.imread('img/lena.jpg', 0)
# 读取模板图像
template = cv2.imread('img/face.jpg', 0)
h, w = template.shape[:2]

methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']

for meth in methods:
    img2 = img.copy()

    # 匹配方法的真值
    method = eval(meth)
    print(method)
    res = cv2.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0]+w,top_left[1]+h)

    #画矩形
    cv2.rectangle(img2, top_left, bottom_right, 255 ,2)

    plt.subplot(121),plt.imshow(res, cmap='gray')
    plt.xticks([]),plt.yticks([]) # 隐藏坐标轴
    plt.subplot(122), plt.imshow(img2, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴

    plt.suptitle(meth)
    plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

直方图

cv2.calcHist(images,channels,mask,histSize,ranges)

• images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
• channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。
  如果入图像是灰度图它的值就是 [0]；
  如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
• mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
• histSize:BIN 的数目。也应用中括号括来
• ranges: 像素值范围常为 [0-256]

img = cv2.imread('img/cat.jpg',0) #0表示灰度图
hist = cv2.calcHist([img],[0],None,[256],[0,256])

plt.hist(img.ravel(),256)
plt.show()
1
2
3
4
5

img = cv2.imread('cat.jpg') 
color = ('b','g','r')
for i,col in enumerate(color): 
    histr = cv2.calcHist([img],[i],None,[256],[0,256]) 
    plt.plot(histr,color = col) 
    plt.xlim([0,256]) 
1
2
3
4
5
6

mask操作

# 创建mast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show(mask,'mask')

img = cv2.imread('cat.jpg', 0)
cv_show(img,'img')

masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作
cv_show(masked_img,'masked_img')

hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])

plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask, 'gray')
plt.subplot(223), plt.imshow(masked_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0, 256])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

直方图均衡化

equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)

自定义直方图均衡化

可能会产生局部噪音

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)

均衡化总结

img = cv2.imread('img/clahe.jpg',0) #0表示灰度图 #clahe
plt.hist(img.ravel(),256);
plt.show()

# 均衡化
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()

# 自定义均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show(res,'res')
1
2
3
4
5
6
7
8
9
10
11
12
13
14

傅里叶变换

我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。

但是在频域中一切都是静止的！

https://zhuanlan.zhihu.com/p/19763358

傅里叶变换的作用

• 高频：变化剧烈的灰度分量，例如边界

• 低频：变化缓慢的灰度分量，例如一片大海

滤波

• 低通滤波器：只保留低频，会使得图像模糊

• 高通滤波器：只保留高频，会使得图像细节增强

opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式，得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，通过shift变换

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

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

低通滤波

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

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()                
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

高通滤波

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])

plt.show()    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26