opencv-python笔记（1）

openCV笔记

图像

灰度图像

​ 0代表纯黑色，255代表白色（类似亮度）

通道拆分

通过索引拆分:

import cv2
lena=cv2.imread("lenacolor.png")
cv2.imshow("lena1",lena)
b=lena[:,:,0]
g=lena[:,:,1]
r=lena[:,:,2]
cv2.imshow("b",b)
cv2.imshow("g",g)
cv2.imshow("r",r)
lena[:,:,0]=0
cv2.imshow("lenab0",lena)
lena[:,:,1]=0
cv2.imshow("lenab0g0",lena)
cv2.waitKey()
cv2.destroyAllWindows()

通过cv2.split()函数拆分：

import cv2
lena=cv2.imread("lenacolor.png")
b,g,r=cv2.split(lena)
cv2.imshow("B",b)
cv2.imshow("G",g)
cv2.imshow("R",r)
cv2.waitKey()
cv2.destroyAllWindows()

图像属性

获取图像属性

shape：如果是彩色图像，则返回包含行数、列数、通道数的数组；如果是二值图像或 者灰度图像，则仅返回行数和列数。通过该属性的返回值是否包含通道数，可以判断一 幅图像是灰度图像（或二值图像）还是彩色图像。

size：返回图像的像素数目。其值为“行×列×通道数”，灰度图像或者二值图像的通道 数为 1。

dtype：返回图像的数据类型。

如：

import cv2
gray=cv2.imread("lena.bmp",0)
color=cv2.imread("lenacolor.png")
print("图像 gray 属性：")
print("gray.shape=",gray.shape)
print("gray.size=",gray.size)
print("gray.dtype=",gray.dtype)
print("图像 color 属性：")
print("color.shape=",color.shape)
print("color.size=",color.size)
print("color.dtype=",color.dtype)

重置图像属性

import cv2 as cv

# 读入原图片
img = cv.imread('test.jpg')
# 打印出图片尺寸
print(img.shape)
# 将图片高和宽分别赋值给x，y
x, y = img.shape[0:2]
# 显示原图
cv.imshow('OriginalPicture', img)
# 缩放到原来的二分之一，输出尺寸格式为（宽，高）
img_test1 = cv.resize(img, (int(y / 2), int(x / 2)))
cv.imshow('resize0', img_test1)
cv.waitKey()

# 最近邻插值法缩放
# 缩放到原来的四分之一
img_test2 = cv.resize(img, (0, 0), fx=0.25, fy=0.25, interpolation=cv.INTER_NEAREST)
cv.imshow('resize1', img_test2)
cv.waitKey()
cv.destroyAllWindows()

图像运算

图像相加

直接加法运算：a+b=mod(a+b,256)

使用cv2.add：大于255则饱和

图像加权：使用cv2.addWeighted函数

​ dst=cv2.addWeighted(src1, alpha, src2, beta, gamma)，其中gamma为亮度调节

图像位运算

按位与

​ dst = cv2.bitwise_and( src1, src2[, mask]] )

· 其中mask表示可选操作掩码，即指定要更改的输出数组的元素，也即输出图像像素只有mask对应位置元素不为0的部分才输出，否则 该位置像素的所有通道分量都设置为0

按位或

​ dst = cv2.bitwise_or( src1, src2[, mask]] )

按位非

​ dst = cv2.bitwise_not( src[, mask]] )

按位异或（与二进制加法类似）

​ dst = cv2.bitwise_xor( src1, src2[, mask]] )

位平面分解

提取某个位平面：

import cv2
import numpy as np

i = 5   #提取第五位平面
rose = cv2.imread("Rose.jpg",0)
x = np.ones(rose.shape, dtype=np.uint8)*(2**i)
result = cv2.bitwise_and(rose, x)
cv2.imshow("img",result)
cv2.waitKey(0)

提取位平面并进行阈值处理：

import cv2
import numpy as np

img = cv2.imread("1.jpg", 0)
cv2.imshow("rose",img)
r, c = img.shape
x = np.zeros((r, c, 8), dtype=np.uint8) #提取矩阵
for i in range(8):
    x[:, :, i] = 2 ** i
r = np.zeros((r, c, 8), dtype=np.uint8) #存放8个位平面
for i in range(8):
    r[:, :, i] = cv2.bitwise_and(img, x[:, :, i]) #提取位平面
    img2 = cv2.bitwise_xor(r[:,:,6],r[:,:,7])
    mask = r[:, :, i] > 0 #阈值处理
    r[mask] = 255
mask = img2[:,:]>0
img2[mask] = 255
cv2.imshow("img",img2)
cv2.imshow("img0",r[:,:,7])
cv2.waitKey()

色彩空间

色彩空间基础

GRAY色彩空间

GRAY（灰度图像）通常指 8 位灰度图，其具有 256 个灰度级，像素值的范围是[0,255]。 当图像由 RGB 色彩空间转换为 GRAY 色彩空间时，其处理方式如下：

Gray = 0.299 · + 0.587 · + 0.114 ·

上述是标准的转换方式，也是 OpenCV 中使用的转换方式。有时，也可以采用简化形式完 成转换：

Gray = ( + + ) / 3

当图像由 GRAY 色彩空间转换为 RGB 色彩空间时，最终所有通道的值都将是相同的，其处理方式如下：

= Gray

= Gray

= Gray

HSV色彩空间

分为色调，饱和度，亮度

色调环：

​ 0 红色

​ 60 黄色

​ 120 绿色

​ 180 青色

​ 240 蓝色

​ 300 品红色

在openCV中需要将色调值除以2来适应uint8存储类型

色彩空间的转换

调用cv2.cvtColor()函数

​ dst = cv2.cvtColor( src, code [, dstCn] )

式中：

· dst 表示输出图像，与原始输入图像具有同样的数据类型和深度。

· src 表示原始输入图像。可以是 8 位无符号图像、16 位无符号图像，或者单精度浮点数等。

· code 是色彩空间转换码，表 4-2 展示了其枚举值。

· dstCn 是目标图像的通道数。如果参数为默认的 0，则通道数自动通过原始输入图像和 code 得到

HSV色彩空间及其应用

H：色调，Hue

S：饱和度，Saturation

V：亮度，Value

色调

openCV中，色调值如下：

​ 0 红色

​ 30 黄色

​ 60 绿色

​ 90 青色

​ 120 蓝色

​ 150 品红色

饱和度：

​ 原值为[0,1]，映射到openCV中为[0,255]

​ 灰度颜色R,G,B是相等的，故饱和度值为0

​ 若颜色饱和度很低，那么其计算得出的色调值就不可靠

亮度

​ 同样的，[0,1] —> [0,255]

标记指定颜色

颜色的差异主要体现在 H 通道值的不同上。所以，通过对 H 通道值进行筛选，便能够筛选出 特定的颜色。

我们可以通过cv2.inRange()函数来锁定特征值：

​ dst = cv2.inRange( src, lowerb, upperb )

其中：

· dst 表示输出结果，大小和 src 一致。

· src 表示要检查的数组或图像。

· lowerb 表示范围下界。

· upperb 表示范围上界。

· 如果 src 值处于该指定区间内，则 dst 中对应位置上的值为 255。

· 如果 src 值不处于该指定区间内，则 dst 中对应位置上的值为 0。（即作为掩图）

通过基于掩码的按位与显示ROI

import cv2
import numpy as np

img = cv2.imread("Rose.jpg")
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)  # 转成HSV格式
minRed = np.array([-10, 100, 100])
maxRed = np.array([10, 255, 255])  # 设置颜色范围
mask = cv2.inRange(img_hsv, minRed, maxRed)  # 获得掩码
Red = cv2.bitwise_and(img, img, mask= mask)  # 锁定红色区域
cv2.imshow("red",Red)
cv2.waitKey(0)

通道融合函数

cv2.merge(mv[, dst])

如：

import cv2
img=cv2.imread("barbara.bmp")
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h,s,v=cv2.split(hsv)
v[:,:]=255
newHSV=cv2.merge([h,s,v])
art = cv2.cvtColor(newHSV, cv2.COLOR_HSV2BGR)
cv2.imshow("img",img)
cv2.imshow("art",art)
cv2.waitKey()
cv2.destroyAllWindows()

alpha通道

alpha通道一般代表透明度的值，取值为[0,255]，表示从透明到不透明。

加入alpha通道的图像格式为BGRA。

例程：

import cv2
import numpy as np

img = cv2.imread("Rose.jpg")
img_bgra = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)  # 转成BGRA格式
b,g,r,a = cv2.split(img_bgra)
a[:,:] = 0
new = cv2.merge([b,g,r,a])
cv2.imshow("red",new)
cv2.waitKey(0)

几何变换

缩放

dst = cv2.resize( src, dsize[, fx[, fy[, interpolation]]] )

其中：

• dst 代表输出的目标图像，该图像的类型与 src 相同，其大小为 dsize（当该值非零时）， 或者可以通过 src.size()、fx、fy 计算得到。
• src 代表需要缩放的原始图像。
• dsize 代表输出图像大小。
• fx 代表水平方向的缩放比例。
• fy 代表垂直方向的缩放比例。
• interpolation 代表插值方式。（默认双线性插值）

例程：

import cv2
import numpy as np
img=np.ones([2,4,3],dtype=np.uint8)
size=img.shape[:2]
rst=cv2.resize(img,size)
print("img.shape=\n",img.shape)
print("img=\n",img)
print("rst.shape=\n",rst.shape)
print("rst=\n",rst)

翻转

函数：dst = cv2.flip( src, flipCode )

其中：

• dst 代表和原始图像具有同样大小、类型的目标图像。
• src 代表要处理的原始图像。
• flipCode 代表旋转类型，如下：

​ 0代表绕着x轴翻转

​ 正数代表绕y轴翻转（镜像）

​ 负数代表绕x，y同时翻转（旋转180°）

仿射，透视

感觉用不太到，没看

重映射

表示把一幅图像内的像素点放置到另外一幅图像内的指定位置。

函数：dst = cv2.remap( src, map1, map2, interpolation[, borderMode[, borderValue]]

其中：

• dst 代表目标图像，它和 src 具有相同的大小和类型。

• src 代表原始图像。

• map1 参数有两种可能的值：

  • 表示(x,y)点的一个映射。
  • 表示 CV_16SC2 , CV_32FC1, CV_32FC2 类型(x,y)点的 x值。

• map2 参数同样有两种可能的值：

  • 当 map1 表示(x,y)时，该值为空。
  • 当 map1 表示(x,y)点的 x 值时，该值是 CV_16UC1, CV_32FC1 类型(x,y)点的 y 值。

• Interpolation 代表插值方式，这里不支持 INTER_AREA 方法。

• borderMode 代表边界模式。当该值为 BORDER_TRANSPARENT 时，表示目标图像内 的对应源图像内奇异点（outliers）的像素不会被修改。

• borderValue 代表边界值，该值默认为 0。

不细嗦了。

阈值处理

直白的说，就是将大于某个值设为255，低的就设为0。

函数：

cv2.threshold()

cv2.adaptiveThreshold()

threshold函数

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

式中：

• retval 代表返回的阈值。
• dst 代表阈值分割结果图像，与原始图像具有相同的大小和类型。
• src 代表要进行阈值分割的图像，可以是多通道的，8 位或 32 位浮点型数值。
• thresh 代表要设定的阈值。
• maxval 代表当 type 参数为 THRESH_BINARY 或者 THRESH_BINARY_INV 类型时，需要设定的最大值。
• type 代表阈值分割的类型

cv2.THRESH_BINARY

大于thresh，设置为最大值，小于则为0

例：

import cv2
import numpy as np

img = cv2.imread("Alice1.jpg",0)
x,y = img.shape[0:2]
t,img_bina = cv2.threshold(img,120,255,cv2.THRESH_BINARY)
new = cv2.resize(img_bina,(int(1/3*x),int(1/2*y)))
cv2.imshow("new",new)
cv2.waitKey(0)

cv2.THRESH_BINARY_INV

没啥，就反相。

其他的就不细嗦了

自适应阈值处理

dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C )

式中：

• dst 代表自适应阈值处理结果。
• src 代表要进行处理的原始图像。需要注意的是，该图像必须是 8 位单通道的图像。
• maxValue 代表最大值。
• adaptiveMethod 代表自适应方法。
• thresholdType 代表阈值处理方式，该值必须是 cv2.THRESH_BINARY 或者cv2.THRESH_BINARY_INV 中的一个。
• blockSize 代表块大小。表示一个像素在计算其阈值时所使用的邻域尺寸，通常为 3、5、 7 等。
• C 是常量。

其中自适应方法：

• cv2.ADAPTIVE_THRESH_MEAN_C：领域内所有像素点权值一样
• cv2.ADAPTIVE_THRESH_GAUSSIAN_C：与邻域各个像素点到中心点的距离有关，通 过高斯方程得到各个点的权重值

例：

import cv2
import numpy as np

img = cv2.imread("Alice1.jpg",0)
x,y = img.shape[0:2]
img_bina = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,17,3)
new = cv2.resize(img_bina,(int(1/3*x),int(1/2*y)))  #缩放，更方便观察效果
cv2.imshow("new",new)
cv2.waitKey(0)

Otsu处理

简单来说，就是让opencv帮你算thresh。

食用方法：

t,otsu=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

注意：

• 设置的thresh要为0
• 后面加上cv2.THRESH_OTSU方案

图像平滑处理

图像平滑处理的基本原理是，将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。

取近似值的主要方式：

• 均值滤波
• 方波滤波
• 高斯滤波
• 中值滤波
• 双边滤波
• 2D卷积

均值滤波

用周围n*n的区域内均值代表该处像素值

针对边缘点，取边角处。

卷积核：

\[K=
\frac{1}{M*N}
\begin{bmatrix}
1 \ 1\ 1\ ... \ 1\ 1\\
1 \ 1\ 1\ ... \ 1\ 1\\
.. \ ..\ .. \ .. \ .\\
1 \ 1\ 1\ ... \ 1\ 1\\
\end{bmatrix}
\]

式中，M 和 N 分别对应高度和宽度。一般情况下，M 和 N 是相等的，例如比较常用的 3×3、5×5、 7×7 等。如果 M 和 N 的值越大，参与运算的像素点数量就越多，图像失真越严重。

把卷积核的元素与待处理区域计算即可获得最终值

编程实现

函数语法：

dst = cv2.blur( src, ksize, anchor, borderType )

• ksize 是滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度。 例如，其值可以为(5, 5)，表示以 5×5 大小的邻域均值作为图像均值滤波处理的结果，。
• anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该 值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
• borderType 是边界样式，该值决定了以何种方式处理边界。一般情况下不需要考虑该值的取值，直接采用默认值即可。

其一般形式为：

dst = cv2.blur( src, ksize,)

例：

import cv2
import numpy as np

img = cv2.imread("AliceNoise.jpg",0)
img_blur = cv2.blur(img,(6,6))
x,y = img_blur.shape[:2]
new = cv2.resize(img_blur,(int(1/3*x),int(1/2*y)))  #缩放，更方便观察效果
cv2.imshow("new",new)
cv2.waitKey(0)

方框滤波

基本原理

在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择 滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。

函数实现

函数语法：

dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )

其中：

• ddepth 是处理结果图像的图像深度，一般使用-1 表示与原始图像使用相同的图像深度。
• ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高度和宽度。例如，滤波核的值可以为(3,3)，表示以 3×3 大小的邻域均值作为图像均值滤波处理的结果
• anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该 值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
• normalize 表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围 内的值）处理，该参数是一个逻辑值，可能为真（值为 1）或假（值为 0）。
  • 当参数 normalize=1 时，表示要进行归一化处理，要用邻域像素值的和除以面积。
  • 当参数 normalize=0 时，表示不需要进行归一化处理，直接使用邻域像素值的和。

常用形式:

dst = cv2.boxFilter( src, ddepth, ksize )

高斯滤波

在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将 中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

函数语法

dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )

其中

• ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。 需要注意，滤波核的值必须是奇数。
• sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。
• sigmaY 是卷积核在垂直方向上（Y 轴方向）的标准差。如果将该值设置为 0，则只采用 sigmaX 的值；如果 sigmaX 和 sigmaY 都是 0，则通过 ksize.width 和 ksize.height 计算得到。
  • sigmaX = 0.3×[(ksize.width-1)×0.5 -1] + 0.8
  • sigmaY = 0.3×[(ksize.height-1)×0.5-1] + 0.8

例：

import cv2
import numpy as np

img = cv2.imread("Alice1.jpg")
# img_blur = cv2.blur(img,(6,6))
img_blur = cv2.GaussianBlur(img,(7,7),0,0)
x,y = img_blur.shape[:2]
new = cv2.resize(img_blur,(int(1/3.5*x),int(1/2*y)))  #缩放，更方便观察效果
cv2.imshow("new",new)
cv2.waitKey(0)

中值滤波

中值滤波与前面介绍的滤波方式不同，不再采用加权求均值的方式计算滤波结果。它用邻 域内所有像素值的中间值来替代当前像素点的像素值。

函数实现

dst = cv2.medianBlur( src, ksize)

其中：

• ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。 需要注意，核大小必须是比 1 大的奇数，比如 3、5、7 等。

在中值滤波处理中，噪声成分很难被选上，所以可以在几乎不影响原有图像的情 况下去除全部噪声。但是由于需要进行排序等操作，中值滤波需要的运算量较大。

例：

import cv2
import numpy as np

img = cv2.imread("AliceNoise.jpg")
img_blur = cv2.medianBlur(img,3)
img_blur = cv2.GaussianBlur(img_blur,(3,3),0,0)
x,y = img_blur.shape[:2]
new = cv2.resize(img_blur,(int(1/3.5*x),int(1/2*y)))  #缩放，更方便观察效果
cv2.imwrite("Alice2.jpg",img_blur)
cv2.imshow("new",new)
cv2.waitKey(0)

双边滤波

双边滤波是综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息。

算法思想

在双边滤波中，当处在边缘时，与当前点色彩相近的像素点（颜色距离很近）会被给予较大的权重值；而与当前色彩差别较大的像素点（颜色距离很远）会被给予较小的权重值（极端情况下权重可能为 0，直接忽略该点），这样就保护了边缘信息。

函数语法

dst = cv2.bilateralFilter( src, d, sigmaColor, sigmaSpace, borderType )

其中：

• d 是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大（d>5），则速度 较慢。因此，在实时应用中，推荐 d=5。对于较大噪声的离线滤波，可以选择 d=9。
• sigmaColor 是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的 滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为 0 时，滤波失去意义；该值为 255 时，指定直径内的所有点都能够参与运算。
• sigmaSpace 是坐标空间中的 sigma 值。它的值越大，说明有越多的点能够参与到滤波计 算中来。当 d>0 时，无论 sigmaSpace 的值如何，d 都指定邻域大小；否则，d 与 sigmaSpace 的值成比例。
• borderType 是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。

2D卷积

说白了，自定义卷积核

dst = cv2.filter2D( src, ddepth, kernel, anchor, delta, borderType )

其中：

• kernel 是卷积核，是一个单通道的数组。如果想在处理彩色图像时，让每个通道使用不 同的核，则必须将彩色图像分解后使用不同的核完成操作。
• delta 是修正值，它是可选项。如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波处理结果。