Technology技术分享

OpenCV 图像处理(学习笔记)
OpenCV 图像处理(学习笔记)
灰度图
HSV
图像阈值
图像平滑
均值滤波
方框滤波
高斯滤波
中值滤波
形态学-腐蚀操作
形态学-膨胀操作
开运算与闭运算
梯度运算
礼帽与黑帽

灰度图

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)

# 查看灰度图
cv2.imshow("img_gray", img_gray)
cv2.waitKey(0)    
cv2.destroyAllWindows()

HSV

H - 色调（主波长）。
S - 饱和度（纯度/颜色的阴影）。
V 值（强度）

hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()

图像阈值

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。

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()

图像平滑

原图如下：

img = cv2.imread('lenaNoise.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

均值滤波

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）.

blur = cv2.blur(img, (3, 3))
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

方框滤波

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。

box = cv2.boxFilter(img,-1,(3,3), normalize=True)  
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 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

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。

aussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

中值滤波

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。

median = cv2.medianBlur(img, 5)  # 中值滤波
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 展示所有的
res = np.hstack((blur,aussian,median))
#print (res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

我这里截图截得不全见谅。

形态学-腐蚀操作

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。

img = cv2.imread('dige.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 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()

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。

pie = cv2.imread('pie.png')
cv2.imshow('pie', pie)
cv2.waitKey(0)
cv2.destroyAllWindows()

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

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。

img = cv2.imread('dige.png')
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

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()

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()

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

开运算：先腐蚀去掉毛刺，再膨胀填充图片

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()

闭运算：先膨胀，再腐蚀

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

梯度运算=膨胀-腐蚀。

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()

# 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

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）

#礼帽
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()