目錄
- 將圖片轉(zhuǎn)為灰度圖
- HSV
- 圖像閾值
- 圖像平滑
- 形態(tài)學(xué)-腐蝕操作
- 形態(tài)學(xué)-膨脹操作
- 開運(yùn)算與閉運(yùn)算
- 梯度運(yùn)算
- 禮帽與黑帽
- 圖像梯度處理
- Canny邊緣檢測
- 圖像金字塔
- 圖像輪廓
- 直方圖
- 直方圖均衡化：
- 自適應(yīng)均衡化：
- 傅里葉變換
- 模板匹配
- 總結(jié)
上一篇已經(jīng)給大家介紹了opencv python圖片基本操作的相關(guān)內(nèi)容，這里繼續(xù)介紹圖像處理算法，下面來一起看看吧
將圖片轉(zhuǎn)為灰度圖
import cv2 #opencv讀取的格式是BGR
img=cv2.imread('cat.jpg')
# 將圖片轉(zhuǎn)為灰度圖像操作
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img_gray.shape
HSV
H - 色調(diào)（主波長）。
S - 飽和度（純度/顏色的陰影）。
V值（強(qiáng)度）
import cv2
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()
圖像閾值
ret, dst = cv2.threshold(src, thresh, maxval, type)
src： 輸入圖，只能輸入單通道圖像，通常來說為灰度圖
dst： 輸出圖
thresh： 閾值
maxval： 當(dāng)像素值超過了閾值（或者小于閾值，根據(jù)type來決定），所賦予的值
type：二值化操作的類型，包含以下5種類型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV
cv2.THRESH_BINARY 超過閾值部分取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)
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
使用均值濾波實(shí)現(xiàn)圖像平滑
# 均值濾波
# 簡單的平均卷積操作
# 使用3*3的卷積和
blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用方框?yàn)V波實(shí)現(xiàn)圖像平滑：
# 方框?yàn)V波
# 基本和均值一樣，可以選擇歸一化
box = cv2.boxFilter(img,-1,(3,3), normalize=True)
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 方框?yàn)V波
# 基本和均值一樣，可以選擇歸一化,容易越界，越界后值為255
box = cv2.boxFilter(img,-1,(3,3), normalize=False)
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用高斯濾波實(shí)現(xiàn)圖像平滑：
# 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)于更重視距離
aussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用中值濾波實(shí)現(xiàn)圖像平滑：
# 中值濾波
# 相當(dāng)于用中值代替
median = cv2.medianBlur(img, 5) # 中值濾波
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用np將所有處理圖片拼接顯示:
# 展示所有的
res = np.hstack((blur,aussian,median))
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
形態(tài)學(xué)-腐蝕操作
腐蝕操作可以用于去除圖像中的毛刺
# iterations為腐蝕操作的迭代次數(shù)
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
形態(tài)學(xué)-膨脹操作
膨脹操作通常與腐蝕操作配合使用
# 先對圖像進(jìn)行腐蝕操作去除干擾信息
# kernel 為卷積核大小
kernel = np.ones((3,3),np.uint8)
dige_erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 對圖像進(jìn)行膨脹操作將干擾信息以外的腐蝕部分復(fù)原
kernel = np.ones((3,3),np.uint8)
dige_dilate = cv2.dilate(dige_erosion,kernel,iterations = 1)
cv2.imshow('dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()
開運(yùn)算與閉運(yùn)算
開運(yùn)算：先腐蝕，再膨脹
閉運(yùn)算：先膨脹，再腐蝕
# 開：先腐蝕，再膨脹
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 閉：先膨脹，再腐蝕
img = cv2.imread('dige.png')
kernel = np.ones((5,5),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
梯度運(yùn)算
提取圖片邊緣信息
# 梯度=膨脹-腐蝕
pie = cv2.imread('pie.png')
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))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()
禮帽與黑帽
禮帽 = 原始輸入-開運(yùn)算結(jié)果
黑帽 = 閉運(yùn)算-原始輸入
#禮帽
img = cv2.imread('dige.png')
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()
#黑帽
img = cv2.imread('dige.png')
blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()
圖像梯度處理
通過像素差異提取圖片邊緣
Sobel算子
Scharr算子
laplacian算子
對于梯度更敏感
檢測圖像像素梯度變換GX為水平梯度檢測，GY為垂直梯度檢測。GX與GY相當(dāng)于前面提到的卷積和。
dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
# ddepth:圖像的深度
# dx和dy分別表示水平和豎直方向
# ksize是Sobel算子的大小
# 在opencv中像素小于0的點(diǎn)直接被認(rèn)為是0
# 計(jì)算GX
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
# 將負(fù)數(shù)部分轉(zhuǎn)為正數(shù)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
# 計(jì)算GY
sobelx = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
# 將負(fù)數(shù)部分轉(zhuǎn)為正數(shù)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
# 計(jì)算GX與GY的加和
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
不同算子之間的差異
#不同算子的差異
img = cv2.imread('lena.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')
Canny邊緣檢測
使用高斯濾波器，以平滑圖像，濾除噪聲。
計(jì)算圖像中每個(gè)像素點(diǎn)的梯度強(qiáng)度和方向。
應(yīng)用非極大值（Non-Maximum Suppression）抑制，以消除邊緣檢測帶來的雜散響應(yīng)。
應(yīng)用雙閾值（Double-Threshold）檢測來確定真實(shí)的和潛在的邊緣。
通過抑制孤立的弱邊緣最終完成邊緣檢測。
1:高斯濾波器
卷積核為符合高斯分布的數(shù)據(jù)，主要將圖像平滑。
2:梯度和方向
3：非極大值抑制
4：雙閾值檢測
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')
圖像金字塔
高斯金字塔
拉普拉斯金字塔
主要用于特征提取
高斯金字塔：向下采樣方法（縮?。?/p>
高斯金字塔：向上采樣方法（放大）
# 向上變換
up=cv2.pyrUp(img)
# 向下變換
down=cv2.pyrDown(img)
拉普拉斯金字塔
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show(l_1,'l_1')
圖像輪廓
cv2.findContours(img,mode,method)
mode:輪廓檢索模式
RETR_EXTERNAL ：只檢索最外面的輪廓；
RETR_LIST：檢索所有的輪廓，并將其保存到一條鏈表當(dāng)中；
RETR_CCOMP：檢索所有的輪廓，并將他們組織為兩層：頂層是各部分的外部邊界，第二層是空洞的邊界;
RETR_TREE：檢索所有的輪廓，并重構(gòu)嵌套輪廓的整個(gè)層次;
method:輪廓逼近方法
CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形（頂點(diǎn)的序列）。
CHAIN_APPROX_SIMPLE:壓縮水平的、垂直的和斜的部分，也就是，函數(shù)只保留他們的終點(diǎn)部分。
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'thresh')
# 提取輪廓
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# 繪制輪廓
#傳入繪制圖像，輪廓，輪廓索引，顏色模式，線條厚度
# 注意需要copy,要不原圖會變。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show(res,'res')
輪廓特征
# 選取輪廓 0表示第一個(gè)輪廓
cnt = contours[0]
#面積
cv2.contourArea(cnt)
#周長，True表示閉合的
cv2.arcLength(cnt,True)
輪廓近似
epsilon = 0.15*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')
# 外接矩形
img = cv2.imread('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[0]
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')
# 外接圓
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)
cv_show(img,'img')
直方圖
用于統(tǒng)計(jì)圖片像素值分布,x軸表示像素值（0-255），y軸表示該像素值對應(yīng)個(gè)數(shù)。
cv2.calcHist(images,channels,mask,histSize,ranges)
images: 原圖像圖像格式為 uint8 或 float32。當(dāng)傳入函數(shù)時(shí)應(yīng) 用中括號 [] 括來例如[img]
channels: 同樣用中括號括來它會告函數(shù)我們統(tǒng)幅圖 像的直方圖。如果入圖像是灰度圖它的值就是 [0]如果是彩色圖像 的傳入的參數(shù)可以是 [0][1][2] 它們分別對應(yīng)著 BGR。
mask: 掩模圖像。統(tǒng)整幅圖像的直方圖就把它為 None。但是如 果你想統(tǒng)圖像某一分的直方圖的你就制作一個(gè)掩模圖像并 使用它。
histSize:BIN 的數(shù)目。也應(yīng)用中括號括來
ranges: 像素值范圍常為 [0256]
# 統(tǒng)計(jì)灰度圖的直方圖
img = cv2.imread('cat.jpg',0) #0表示灰度圖
hist = cv2.calcHist([img],[0],None,[256],[0,256])
hist.shape
# 統(tǒng)計(jì)三通道直方圖
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])
mask操作：
# 創(chuàng)建mask
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show(mask,'mask')
# 將mask與圖像融合
masked_img = cv2.bitwise_and(img, img, mask=mask)#與操作
cv_show(masked_img,'masked_img')
# 使用mask進(jìn)行直方圖統(tǒng)計(jì)與非mask進(jìn)行直方圖統(tǒng)計(jì)
hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])
直方圖均衡化：
是圖像像素分布更加均勻。
# 直方圖均衡化
equ = cv2.equalizeHist(img)
plt.hist(equ.ravel(),256)
plt.show()
自適應(yīng)均衡化：
通過將圖片劃分為局部圖片，然后進(jìn)行直方圖均衡化處理。
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
傅里葉變換
時(shí)域-》頻域
傅里葉變換的作用
高頻：變化劇烈的灰度分量，例如邊界
低頻：變化緩慢的灰度分量，例如一片大海
濾波
低通濾波器：只保留低頻，會使得圖像模糊，相當(dāng)于對于邊界的處理。
高通濾波器：只保留高頻，會使得圖像細(xì)節(jié)增強(qiáng)，相當(dāng)于對于非邊界的處理。
opencv中主要就是cv2.dft()和cv2.idft()，輸入圖像需要先轉(zhuǎn)換成np.float32 格式。
得到的結(jié)果中頻率為0的部分會在左上角，通常要轉(zhuǎn)換到中心位置，可以通過shift變換來實(shí)現(xiàn)。
cv2.dft()返回的結(jié)果是雙通道的（實(shí)部，虛部），通常還需要轉(zhuǎn)換成圖像格式才能展示（0,255）。
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)
# 得到灰度圖能表示的形式
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()
# 低頻濾波
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
# 低通濾波
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()
結(jié)果（低通對邊界值不友好）
# 高頻濾波
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
# 高通濾波
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()
結(jié)果（高通對非邊界值不友好）
模板匹配
模板匹配和卷積原理很像，模板在原圖像上從原點(diǎn)開始滑動(dòng)，計(jì)算模板與（圖像被模板覆蓋的地方）的差別程度，這個(gè)差別程度的計(jì)算方法在opencv里有6種，然后將每次計(jì)算的結(jié)果放入一個(gè)矩陣?yán)?，作為結(jié)果輸出。假如原圖形是AxB大小，而模板是axb大小，則輸出結(jié)果的矩陣是(A-a+1)x(B-b+1)
# 模板匹配
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
h, w = template.shape[:2]
TM_SQDIFF：計(jì)算平方不同，計(jì)算出來的值越小，越相關(guān)
TM_CCORR：計(jì)算相關(guān)性，計(jì)算出來的值越大，越相關(guān)
TM_CCOEFF：計(jì)算相關(guān)系數(shù)，計(jì)算出來的值越大，越相關(guān)
TM_SQDIFF_NORMED：計(jì)算歸一化平方不同，計(jì)算出來的值越接近0，越相關(guān)
TM_CCORR_NORMED：計(jì)算歸一化相關(guān)性，計(jì)算出來的值越接近1，越相關(guān)
TM_CCOEFF_NORMED：計(jì)算歸一化相關(guān)系數(shù)，計(jì)算出來的值越接近1，越相關(guān)
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)
# 如果是平方差匹配TM_SQDIFF或歸一化平方差匹配TM_SQDIFF_NORMED，取最小值
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)
# 畫矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)
plt.subplot(121), plt.imshow(res, cmap='gray')
plt.xticks([]), plt.yticks([]) # 隱藏坐標(biāo)軸
plt.subplot(122), plt.imshow(img2, cmap='gray')
plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()
總結(jié)
到此這篇關(guān)于opencv python簡易文檔之圖像處理算法的文章就介紹到這了,更多相關(guān)opencv python圖像處理算法內(nèi)容請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！
您可能感興趣的文章:- OpenCV-Python實(shí)現(xiàn)圖像平滑處理操作
- python opencv圖像處理(素描、懷舊、光照、流年、濾鏡 原理及實(shí)現(xiàn))
- 基于python的opencv圖像處理實(shí)現(xiàn)對斑馬線的檢測示例
- Python+OpenCV圖像處理——圖像二值化的實(shí)現(xiàn)
- opencv-python基本圖像處理詳解
