>#OpenCV 图像处理(学习笔记) [TOC] ## 灰度图 ```python import cv2 #opencv读取的格式是BGR import numpy as np import matplotlib.pyplot as plt#Matplotlib是RGB %matplotlib inline img=cv2.imread('cat.jpg') img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 查看维度 img_gray.shape ``` >(414, 500) ```python # 查看灰度图 cv2.imshow("img_gray", img_gray) cv2.waitKey(0) cv2.destroyAllWindows() ```  ## HSV tn2>H - 色调（主波长）。 S - 饱和度（纯度/颜色的阴影）。 V 值（强度） ```python hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) cv2.imshow("hsv", hsv) cv2.waitKey(0) cv2.destroyAllWindows() ```  ## 图像阈值 tn2>`cv2.threshold`是一个阈值函数处理，如果图像的矩阵大于一定的阈值，应该怎么处理。 ```python ret, dst = cv2.threshold(src, thresh, maxval, type) ``` tn2>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 ```python 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() ```  ## 图像平滑  tn2>原图如下： ```python img = cv2.imread('lenaNoise.png') cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows() ```  ### 均值滤波 tn2>简单的平均卷积操作. 均值滤波可去掉一些噪声滤波。 首先提供一个全部都是1的卷积核，这里矩阵为`3*3`的大小，去与每一个3*3的数相互乘再相加最后再除以它们的数量（这里是9）. ```python blur = cv2.blur(img, (3, 3)) cv2.imshow('blur', blur) cv2.waitKey(0) cv2.destroyAllWindows() ```  ### 方框滤波 tn2>基本和均值一样，可以选择归一化。 方框滤波与均值滤波唯一区别在于多了一个`normalize`的参数一旦为False，就是不除以9，会导致数值越界。 ```python box = cv2.boxFilter(img,-1,(3,3), normalize=True) cv2.imshow('box', box) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python # 基本和均值一样，可以选择归一化,容易越界 box = cv2.boxFilter(img,-1,(3,3), normalize=False) cv2.imshow('box', box) cv2.waitKey(0) cv2.destroyAllWindows() ```  ### 高斯滤波 tn2>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。 高斯滤波简单来讲一个中间的`5*5`的卷积核中间是1，离得比较近的是0.8，然后远一点的是0.6，依次递减。 ```python aussian = cv2.GaussianBlur(img, (5, 5), 1) cv2.imshow('aussian', aussian) cv2.waitKey(0) cv2.destroyAllWindows() ```  ### 中值滤波 tn2>相当于用中值代替 中值滤波,通过从小到大进行排序然后取出中间的值，然后把中间的结果去进行处理。 ```python median = cv2.medianBlur(img, 5) # 中值滤波 cv2.imshow('median', median) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python # 展示所有的 res = np.hstack((blur,aussian,median)) #print (res) cv2.imshow('median vs average', res) cv2.waitKey(0) cv2.destroyAllWindows() ``` tn2>我这里截图截得不全见谅。  ## 形态学-腐蚀操作 tn2>使当前边缘越来越小，通过一定的卷积核在一定范围内抹去不同的一小块。 ```python img = cv2.imread('dige.png') cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python # 卷积核 kernel = np.ones((3,3),np.uint8) # cv2.erode腐蚀方法，iterations迭代次数 erosion = cv2.erode(img,kernel,iterations = 1) cv2.imshow('erosion', erosion) cv2.waitKey(0) cv2.destroyAllWindows() ```  tn2>接下来通过一个圆圈做一个案例，看通过不同的腐蚀迭代次数产生的效果怎么样。 ```python pie = cv2.imread('pie.png') cv2.imshow('pie', pie) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python kernel = np.ones((30,30),np.uint8) erosion_1 = cv2.erode(pie,kernel,iterations = 1) erosion_2 = cv2.erode(pie,kernel,iterations = 2) erosion_3 = cv2.erode(pie,kernel,iterations = 3) res = np.hstack((erosion_1,erosion_2,erosion_3)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows() ```  ## 形态学-膨胀操作 tn2>如果我希望我的图像进行一些腐蚀操作造成图片产生了一些损害，那么`cv2.dilate`膨胀参数会进行一定的填充。 ```python img = cv2.imread('dige.png') cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python kernel = np.ones((3,3),np.uint8) # 去掉线条腐蚀操作 dige_erosion = cv2.erode(img,kernel,iterations = 1) cv2.imshow('erosion', erosion) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python 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() ```  ```python pie = cv2.imread('pie.png') kernel = np.ones((30,30),np.uint8) # 不同的迭代程度 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)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows() ```  ## 开运算与闭运算 tn2>开运算：先腐蚀去掉毛刺，再膨胀填充图片 ```python 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() ```  tn2>闭运算：先膨胀，再腐蚀 ```python 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() ``` ## 梯度运算 tn2>梯度运算=膨胀-腐蚀。 ```python pie = cv2.imread('pie.png') # 定义一个7*7的卷积核 kernel = np.ones((7,7),np.uint8) # 膨胀5次 dilate = cv2.dilate(pie,kernel,iterations = 5) # 腐蚀5次 erosion = cv2.erode(pie,kernel,iterations = 5) # 展示结果 res = np.hstack((dilate,erosion)) cv2.imshow('res', res) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python # 展示梯度运算 gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel) cv2.imshow('gradient', gradient) cv2.waitKey(0) cv2.destroyAllWindows() ```  ## 礼帽与黑帽 tn2>礼帽 = 原始输入-开运算结果 （只保留刺） 黑帽 = 闭运算-原始输入 （保留一点点轮廓） ```python #礼帽 img = cv2.imread('dige.png') tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel) cv2.imshow('tophat', tophat) cv2.waitKey(0) cv2.destroyAllWindows() ```  ```python #黑帽 img = cv2.imread('dige.png') blackhat = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel) cv2.imshow('blackhat ', blackhat ) cv2.waitKey(0) cv2.destroyAllWindows() ```