网站首页 > 技术文章 正文
前言
计算机视觉基础首先是处理图像、视频这些非结构化的数据，
而图像处理库比较常用和强大的有 PIL、OpenCV 模块，
本项目主要讲述 OpenCV 的具体用法
内容目录
主要介绍了opencv模块在图像处理方面的一些常用操作。
* 图像文件操作
* 图像基本操作
* 绘图功能
* 轨迹栏做调色板
* 图像阈值
* 图像平滑
* 边缘检测
* 轮廓检测
* 颜色空间转换及目标追踪
* 图像增强
PS：需要本文项目的完整代码以及数据集的朋友，关注<数据算法时代>，在评论区私信小编即可分享给你，希望对读者朋友有所帮助！
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
Requirement already satisfied: opencv-python in /opt/conda/lib/python3.6/site-packages
Requirement already satisfied: numpy>=1.11.3 in /opt/conda/lib/python3.6/site-packages (from opencv-python)
导入模块
import cv2
import numpy as np
import pandas as pd
import warnings
import seaborn as sns
import matplotlib.pyplot as plt
warnings.filterwarnings('ignore')
%matplotlib inline
Matplotlib is building the font cache using fc-list. This may take a moment.
# 定义图像路径
path = '../work/CV/tx3.jpg'
path2 = '../work/CV/cap.jpg'图像文件操作
### 1.读取图像
im = cv2.imread(path)
# print(im)im = cv2.imread(path)
# print(im)### 2.显示图像
cv2.imwrite('testSave_1.jpg', im)
### 3.保存图像
cv2.imwrite('testSave_1.jpg', im)True
图像基本操作
### 1.图像属性查看
im.shape 返回(行数、列数、通道数)
im.size 返回像素总值 = 行数 x 列数 x 通道数
im.dtype 返回类型
print(">>>图像维度：", im.shape)
print(">>>图像像素总数：", im.size)
print(">>>图像数据类型：", im.dtype)>>>图像维度： (200, 200, 3)
>>>图像像素总数： 120000
>>>图像数据类型： uint8
### 2.截取ROI(感兴趣)区域
# 一般都是rgb，opencv默认是bgr
# 分割
b, g, r = cv2.split(im)
b, g, r
3.通道分割合并及像素直方图分析
#### 3.1.分割与合并
# 一般都是rgb，opencv默认是bgr
# 分割
b, g, r = cv2.split(im)
b, g, r
(array([[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
...,
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255]], dtype=uint8),
array([[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
...,
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255]], dtype=uint8),
array([[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
...,
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255]], dtype=uint8))
# 合并
im = cv2.merge((b, g, r))
imarray([[[255, 255, 255],
[255, 255, 255],
[255, 255, 255],
...,
[255, 255, 255],
[255, 255, 255],
[255, 255, 255]],
[[255, 255, 255],
[255, 255, 255],
[255, 255, 255],
...,
[255, 255, 255],
[255, 255, 255],
[255, 255, 255]],
[[255, 255, 255],
[255, 255, 255],
[255, 255, 255],
...,
[255, 255, 255],
[255, 255, 255],
[255, 255, 255]],
...,
[[255, 255, 255],
[255, 255, 255],
[255, 255, 255],
...,
[255, 255, 255],
[255, 255, 255],
[255, 255, 255]],
[[255, 255, 255],
[255, 255, 255],
[255, 255, 255],
...,
[255, 255, 255],
[255, 255, 255],
[255, 255, 255]],
[[255, 255, 255],
[255, 255, 255],
[255, 255, 255],
...,
[255, 255, 255],
[255, 255, 255],
[255, 255, 255]]], dtype=uint8)
#### 3.2.像素直方图分析
像素直方图分析可以观察像素分布情况，对观察与去除噪声有很大帮助。
bb = b.flatten() # 二维展平为一维
gg = g.reshape(1, -1) # 二维展平为一维
rr = g.reshape(1, -1) # 二维展平为一维
imim = im.flatten()# 单一通道直方图统计
plt.figure(figsize=(12, 5))
plt.subplot(1,3,1)
plt.title("b passageway")
sns.distplot(bb)
plt.subplot(1,3,2)
plt.title("g passageway")
sns.distplot(gg)
plt.subplot(1,3,3)
plt.title("r passageway")
sns.distplot(rr)# 三个通道直方图统计
plt.title("bgr passageway")
sns.distplot(imim)
绘图功能
### 1.画线
cv2.line()画线
@params1: im 图像
@params2: 线的起始坐标 (0,10)
@params3: 线的终点坐标 (30,40)
@params4: 线的颜色(R,G,B)
@params5: 线的厚度
imline = cv2.line(im, (0,10), (30,40), (255,0,0), 2)
plt.imshow(imline)
### 2.画矩形
"""
cv2.rectangle()画矩形
@params1: im 图像
@params2: 左上角坐标 (30,16)
@params3: 右下角坐标 (160,190)
@params4: 线的颜色(R,G,B)
@params5: 线的厚度
"""
imline = cv2.rectangle(im, (30,16), (160,190), (255,0,0), 2)
plt.imshow(imline)### 3.画圆圈
"""
cv2.circle()画圆圈
@params1: im 图像
@params2: 圆的中心坐标 (100,100)
@params3: 圆的半径 80
@params4: 线的颜色(R,G,B)
@params5: 线的厚度 -1(实心)
"""
imcircle = cv2.circle(im, (100,100), 80, (0,0,200), 3)
plt.imshow(imline)### 4.在图像中添加文本
"""
cv2.putText()在图片上写文本内容
@params1: im 图像
@params2: 文本内容
@params3: 文本内容的起始坐标
@params4: 字体
@params5: 字体大小
@params6: 字体颜色
@params7: 字体厚度
@params8: 字体的线型
"""
font = cv2.FONT_HERSHEY_SIMPLEX
imputText = cv2.putText(im, 'Hello', (0,170), font, 1, (0,200,255), 2, cv2.LINE_AA)
plt.imshow(imputText)轨迹栏作为调色板
"""
您有一个显示颜色的窗口，以及三个用于指定B、G、R颜色的跟踪栏。
滑动轨迹栏，并相应地更改窗口颜色。默认情况下，初始颜色将设置为黑色。
cv2.createTrackbar()创建轨迹栏
@params1: 轨迹栏名称；
@params2: 窗口名称；
@params3: 调色板起始值或默认值0；
@params4: 调色板最大值；
@params5: 执行回调函数每次跟踪栏值的更改。
cv2.getTrackbarPos()移动调节轨迹栏
@params1: 轨迹栏名称；
@params2: 窗口名称；
"""
# import numpy as np
# import cv2 as cv
# def nothing(x):
# pass
# # 创建一个黑色的图像，一个窗口
# img = np.zeros((300,512,3), np.uint8)
# cv.namedWindow('image')
# # 创建颜色变化的轨迹栏
# cv.createTrackbar('R','image',0,255,nothing)
# cv.createTrackbar('G','image',0,255,nothing)
# cv.createTrackbar('B','image',0,255,nothing)
# # 为 ON/OFF 功能创建开关
# switch = '0 : OFF \n1 : ON'
# cv.createTrackbar(switch, 'image',0,1,nothing)
# while(1):
# cv.imshow('image',img)
# k = cv.waitKey(1) & 0xFF
# if k == 27:
# break
# # 得到四条轨迹的当前位置
# r = cv.getTrackbarPos('R','image')
# g = cv.getTrackbarPos('G','image')
# b = cv.getTrackbarPos('B','image')
# s = cv.getTrackbarPos(switch,'image')
# if s == 0:
# img[:] = 0
# else:
# img[:] = [b,g,r]
# cv.destroyAllWindows()'\n您有一个显示颜色的窗口，以及三个用于指定B、G、R颜色的跟踪栏。\n滑动轨迹栏，并相应地更改窗口颜色。默认情况下，初始颜色将设置为黑色。\n\ncv2.createTrackbar()创建轨迹栏\n@params1: 轨迹栏名称；\n@params2: 窗口名称；\n@params3: 调色板起始值或默认值0；\n@params4: 调色板最大值；\n@params5: 执行回调函数每次跟踪栏值的更改。\n\ncv2.getTrackbarPos()移动调节轨迹栏\n@params1: 轨迹栏名称；\n@params2: 窗口名称；\n\n'
图像阈值
学习两个函数：cv.threshold()、cv.adaptiveThreshold()
"""
cv2.threshold()图像阈值
@params1：原图像；
@params2：阈值，用于二值化分类；
@params3：分配大于阈值的像素点的最大值；
@params4：阈值类型。
"""
img = cv2.imread(path)
ret, threshold1 = cv2.threshold(img, 100, 205, cv2.THRESH_BINARY)
ret, threshold2 = cv2.threshold(img, 100, 205, cv2.THRESH_BINARY_INV)
ret, threshold3 = cv2.threshold(img, 100, 205, cv2.THRESH_TRUNC)
ret, threshold4 = cv2.threshold(img, 100, 205, cv2.THRESH_TOZERO)
ret, threshold5 = cv2.threshold(img, 100, 205, cv2.THRESH_TOZERO_INV)
titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
imgs = [img, threshold1, threshold2, threshold3, threshold4, threshold5]
for i in range(6):
plt.subplot(2,3,i+1)
plt.imshow(imgs[i], cmap='gray')
plt.title(titles[i])
plt.xticks([]),plt.yticks([])图像平滑
### 1.2D卷积过滤
"""
cv2.filter2D(im, -1, (1, 1))
@params1：原始图像
@params2：-1
@params3：卷积内核大小
"""
conv2d_1 = cv2.filter2D(im, -1, (1, 1))
kernel = np.ones((5, 5)) / 25
conv2d_2 = cv2.filter2D(im, -1, kernel)
plt.clf()
plt.figure(figsize=(12, 5))
plt.subplot(1,3,1)
plt.title("origin")
plt.imshow(im)
plt.subplot(1,3,2)
plt.title("conv2d_1")
plt.imshow(conv2d_1)
plt.subplot(1,3,3)
plt.title("conv2d_2")
plt.imshow(conv2d_2)### 2.图像模糊
"""
cv2.blur(im, (3,3)) 将图像与归一化滤镜进行卷积完成滤波
cv2.GaussianBlur(im, (5, 5), 0) 高斯滤波，0 是指根据窗口大小来计算高斯函数标准差
median = cv2.medianBlur(im, 5) 中位滤波
bf = cv2.bilateralFilter(im, 9, 75, 75) 双边滤波
"""
blur = cv2.blur(im, (3,3)) # 平均
gaussian = cv2.GaussianBlur(im, (5, 5), 0)
median = cv2.medianBlur(im, 5)
bf = cv2.bilateralFilter(im, 9, 75, 75)
plt.clf()
plt.figure(figsize=(12, 5))
plt.subplot(1,4,1)
plt.title("blur")
plt.imshow(blur)
plt.subplot(1,4,2)
plt.title("GaussianBlur")
plt.imshow(gaussian)
plt.subplot(1,4,3)
plt.title("medianBlur")
plt.imshow(median)
plt.subplot(1,4,4)
plt.title("bilateralFilter")
plt.imshow(bf)
## 边缘检测
"""
cv2.Canny(im, 100, 200, 3)
@params1：原始图像；
@params2：最小像素值；
@params3：最大像素值；
@params4：查找图像渐变内核大小。
"""
edges = cv2.Canny(im, 100, 200, 3)
plt.imshow(edges)轮廓检测
### 1.寻找及绘制轮廓
"""cv2.findContours()
@params1: 寻找轮廓的图像；
@params2: 表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：
cv2.RETR_EXTERNAL表示只检测外轮廓
cv2.RETR_LIST检测的轮廓不建立等级关系
cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
cv2.RETR_TREE建立一个等级树结构的轮廓。
@params3: 轮廓的近似办法
cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
@return: 一个是轮廓本身，还有一个是每条轮廓对应的属性
cv2.drawContours(img,contours,-1,(0,255,0),3)
@params1: 源图像；
@params2: 该作为Python列表传递的轮廓；
@params3: 轮廓的索引（在绘制单个轮廓时有用。要绘制所有轮廓，请传递-1）；
@params4: 其余参数是颜色；
@params5: 厚度。
寻找轮廓的步骤：
1. 原始图像；
2. 图像灰度化；
3. 图像二值化阈值处理；
4. 寻找轮廓；
5. 绘制轮廓。
"""
im = cv2.imread(path)
plt.clf()
plt.figure(figsize=(12, 5))
# 1.原始图像处理
# 为了 plt 显示正常原始图像，将 opencv 默认的 bgr 转换成 plt 支持的 rgb
im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
plt.subplot(141)
plt.title("origin")
plt.imshow(im_rgb, cmap='gray')
# 2.图像灰度化处理
im_gray = cv2.cvtColor(im_rgb, cv2.COLOR_BGR2GRAY)
plt.subplot(142)
plt.title("gray")
plt.imshow(im_gray, cmap='gray')
# 3.二值化阈值处理
ret, im_thresh = cv2.threshold(im_gray, 150, 200, cv2.THRESH_BINARY)
plt.subplot(143)
plt.title("threshold")
plt.imshow(im_thresh, cmap='gray')
# 4.寻找轮廓
contours, hierarchy = cv2.findContours(im_thresh, # 寻找轮廓的图像
cv2.RETR_TREE, # 检索模式
cv2.CHAIN_APPROX_SIMPLE) # 轮廓的近似办法
print(">>>大大小小的轮廓数量：", len(contours))
# 5.绘制轮廓
cv2.drawContours(im_rgb, # 源图像
contours, # 该作为Python列表传递的轮廓
-1, # 轮廓的索引，-1代表绘制所有
(255,0,0), # 颜色
5) # 厚度
plt.subplot(144)
plt.title("findContours")
plt.imshow(im_rgb)>>>大大小小的轮廓数量： 34
### 2.轮廓处理
cnt = contours[9]
# 特征矩
m = cv2.moments(cnt)
print(">>>特征矩", m)
# 边界矩形框
# (x,y)矩形左上角点坐标，w、h矩形宽度和高度
x, y, w, h = cv2.boundingRect(cnt)
print(">>>边界矩形框", x, y, w, h)
# 轮廓面积
# 可以在不同应用场景，去除轮廓面积太小的轮廓
for i, cnt in enumerate(contours):
area = cv2.contourArea(cnt)
print(">>>轮廓 %d 的面积：%.2f" % (i+1, area))>>>特征矩 {'m00': 2.0, 'm10': 306.0, 'm01': 250.0, 'm20': 46818.33333333333, 'm11': 38250.0, 'm02': 31250.333333333332, 'm30': 7163307.0, 'm21': 5852291.666666667, 'm12': 4781301.0, 'm03': 3906375.0, 'mu20': 0.3333333333284827, 'mu11': 0.0, 'mu02': 0.3333333333321207, 'mu30': 1.862645149230957e-09, 'mu21': 9.167706593871117e-10, 'mu12': 1.8553691916167736e-10, 'mu03': 4.656612873077393e-10, 'nu20': 0.08333333333212067, 'nu11': 0.0, 'nu02': 0.08333333333303017, 'nu30': 3.2927225399135965e-10, 'nu21': 1.6206368751137233e-10, 'nu12': 3.279860342492059e-11, 'nu03': 8.231806349783991e-11}
>>>边界矩形框 152 124 3 3
>>>轮廓 1 的面积：39601.00
>>>轮廓 2 的面积：8.00
>>>轮廓 3 的面积：4.00
>>>轮廓 4 的面积：2.00
>>>轮廓 5 的面积：2.00
>>>轮廓 6 的面积：2.00
>>>轮廓 7 的面积：7.00
>>>轮廓 8 的面积：4.00
>>>轮廓 9 的面积：4.00
>>>轮廓 10 的面积：2.00
>>>轮廓 11 的面积：4.00
>>>轮廓 12 的面积：8.00
>>>轮廓 13 的面积：4.00
>>>轮廓 14 的面积：28.50
>>>轮廓 15 的面积：4.00
>>>轮廓 16 的面积：2.00
>>>轮廓 17 的面积：4.00
>>>轮廓 18 的面积：41.50
>>>轮廓 19 的面积：29.00
>>>轮廓 20 的面积：7.00
>>>轮廓 21 的面积：2.00
>>>轮廓 22 的面积：2.00
>>>轮廓 23 的面积：4.00
>>>轮廓 24 的面积：15.00
>>>轮廓 25 的面积：45.00
>>>轮廓 26 的面积：2.00
>>>轮廓 27 的面积：10.00
>>>轮廓 28 的面积：11234.00
>>>轮廓 29 的面积：0.00
>>>轮廓 30 的面积：0.00
>>>轮廓 31 的面积：0.00
>>>轮廓 32 的面积：0.00
>>>轮廓 33 的面积：1.50
>>>轮廓 34 的面积：259.50
颜色空间转换
### 1.颜色转换基础
cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
* @params1: 原图像
* @params2: 图像转换参数
im = cv2.imread(path)
plt.clf()
plt.figure(figsize=(12, 5))
# 1.原始图像处理
# 为了 plt 显示正常原始图像，将 opencv 默认的 bgr 转换成 plt 支持的 rgb
im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
plt.subplot(151)
plt.title("origin")
plt.imshow(im_rgb, cmap='gray')
# 2.bgr 转换到 hsv 颜色空间
im_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)
plt.subplot(152)
plt.title("im_hsv")
plt.imshow(im_hsv, cmap='gray')
# hsv 通道分割
h, s, v = cv2.split(im_hsv)
plt.subplot(153)
plt.title("h passageway")
plt.imshow(h, cmap='gray')
plt.subplot(154)
plt.title("s passageway")
plt.imshow(s, cmap='gray')
plt.subplot(155)
plt.title("s passageway")
plt.imshow(s, cmap='gray')应用：对象追踪及检测
橙色瓶盖追踪及检测，详见后期单独例子。
## 图像增强
**图像增强主要作用：**
* 提高图像质量，比如光照亮度、各种滤镜；
* 扩展图像数据量，通过不同角度旋转、截取等来生成新的图像数据；
* .....
## 参考资料
[1] OpenCV中文官方文档
[2] HSV颜色空间介绍，https://www.cnblogs.com/wangyblzu/p/5710715.html
PS：需要本文项目的完整代码以及数据集的朋友，关注<数据算法时代>，在评论区私信小编即可分享给你，希望对读者朋友有所帮助！
猜你喜欢
- 2024-12-09 基于DeepFace和opencv，识别并分析视频中人物的面部表情
- 2024-12-09 基于OpenCV的相机捕捉视频进行人脸检测--米尔NXP i.MX93开发板
- 2024-12-09 OpenCV之形态学操作(膨胀、腐蚀、开运算、闭运算、顶帽、黑帽)
- 2024-12-09 OpenCV入门第一课
- 2024-12-09 [常用工具] OpenCV获取网络摄像头实时视频流
- 2024-12-09 用 Python 和 OpenCV 创建视频编辑器
- 2024-12-09 半小时教你手搓AI视频通话，还有懒人版代码已开源
- 2024-12-09 C# 使用OpenCV库把多张图片合成视频
- 2024-12-09 OpenCV-Python实现绿幕图像抠图
- 2024-12-09 计算机视觉系列_2、OpenCV基础讲解
欢迎 你 发表评论:
- 最近发表
- 标签列表
-
- oraclesql优化 (66)
- 类的加载机制 (75)
- feignclient (62)
- 一致性hash算法 (71)
- dockfile (66)
- 锁机制 (57)
- javaresponse (60)
- 查看hive版本 (59)
- phpworkerman (57)
- spark算子 (58)
- vue双向绑定的原理 (68)
- springbootget请求 (58)
- docker网络三种模式 (67)
- spring控制反转 (71)
- data:image/jpeg (69)
- base64 (69)
- java分页 (64)
- kibanadocker (60)
- qabstracttablemodel (62)
- java生成pdf文件 (69)
- deletelater (62)
- com.aspose.words (58)
- android.mk (62)
- qopengl (73)
- epoch_millis (61)
本文暂时没有评论，来添加一个吧(●'◡'●)