这篇教程opencv python简易文档之图像处理算法写得很实用，希望能帮到您。
上一篇已经给大家介绍了opencv python图片基本操作的相关内容，这里继续介绍图像处理算法，下面来一起看看吧
将图片转为灰度图import cv2 #opencv读取的格式是BGRimg=cv2.imread('cat.jpg')# 将图片转为灰度图像操作img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)img_gray.shape
HSVH - 色调（主波长）。 S - 饱和度（纯度/颜色的阴影）。 V值（强度） import cv2hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)cv2.imshow("hsv", hsv)cv2.waitKey(0) cv2.destroyAllWindows()
图像阈值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()
图像平滑使用均值滤波实现图像平滑 # 均值滤波# 简单的平均卷积操作# 使用3*3的卷积和blur = cv2.blur(img, (3, 3))cv2.imshow('blur', blur)cv2.waitKey(0)cv2.destroyAllWindows()使用方框滤波实现图像平滑： # 方框滤波# 基本和均值一样，可以选择归一化box = cv2.boxFilter(img,-1,(3,3), normalize=True) cv2.imshow('box', box)cv2.waitKey(0)cv2.destroyAllWindows()# 方框滤波# 基本和均值一样，可以选择归一化,容易越界，越界后值为255box = cv2.boxFilter(img,-1,(3,3), normalize=False) cv2.imshow('box', box)cv2.waitKey(0)cv2.destroyAllWindows()使用高斯滤波实现图像平滑： # 高斯滤波# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视距离aussian = cv2.GaussianBlur(img, (5, 5), 1) cv2.imshow('aussian', aussian)cv2.waitKey(0)cv2.destroyAllWindows()使用中值滤波实现图像平滑： # 中值滤波# 相当于用中值代替median = cv2.medianBlur(img, 5) # 中值滤波cv2.imshow('median', median)cv2.waitKey(0)cv2.destroyAllWindows()使用np将所有处理图片拼接显示: # 展示所有的res = np.hstack((blur,aussian,median))#print (res)cv2.imshow('median vs average', res)cv2.waitKey(0)cv2.destroyAllWindows()
形态学-腐蚀操作腐蚀操作可以用于去除图像中的毛刺 # iterations为腐蚀操作的迭代次数kernel = np.ones((3,3),np.uint8) erosion = cv2.erode(img,kernel,iterations = 1)cv2.imshow('erosion', erosion)cv2.waitKey(0)cv2.destroyAllWindows()
形态学-膨胀操作膨胀操作通常与腐蚀操作配合使用 # 先对图像进行腐蚀操作去除干扰信息# kernel 为卷积核大小kernel = np.ones((3,3),np.uint8) dige_erosion = cv2.erode(img,kernel,iterations = 1)cv2.imshow('erosion', erosion)cv2.waitKey(0)cv2.destroyAllWindows()# 对图像进行膨胀操作将干扰信息以外的腐蚀部分复原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()
开运算与闭运算开运算：先腐蚀，再膨胀 闭运算：先膨胀，再腐蚀 # 开：先腐蚀，再膨胀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：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()
梯度运算提取图片边缘信息 # 梯度=膨胀-腐蚀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()
礼帽与黑帽礼帽 = 原始输入-开运算结果 黑帽 = 闭运算-原始输入 #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()
图像梯度处理通过像素差异提取图片边缘 Sobel算子 
Scharr算子 
laplacian算子 对于梯度更敏感 
检测图像像素梯度变换GX为水平梯度检测，GY为垂直梯度检测。GX与GY相当于前面提到的卷积和。 dst = cv2.Sobel(src, ddepth, dx, dy, ksize)# ddepth:图像的深度# dx和dy分别表示水平和竖直方向# ksize是Sobel算子的大小# 在opencv中像素小于0的点直接被认为是0 # 计算GXsobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)# 将负数部分转为正数sobelx = cv2.convertScaleAbs(sobelx)cv_show(sobelx,'sobelx')# 计算GYsobelx = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)# 将负数部分转为正数sobelx = cv2.convertScaleAbs(sobelx)cv_show(sobelx,'sobelx')# 计算GX与GY的加和sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)cv_show(sobelxy,'sobelxy') 不同算子之间的差异 #不同算子的差异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边缘检测使用高斯滤波器，以平滑图像，滤除噪声。 计算图像中每个像素点的梯度强度和方向。 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。 通过抑制孤立的弱边缘最终完成边缘检测。 1:高斯滤波器 卷积核为符合高斯分布的数据，主要将图像平滑。 
2:梯度和方向 
3：非极大值抑制 
4：双阈值检测 
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')
图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：向下采样方法（缩小） 
高斯金字塔：向上采样方法（放大） 
# 向上变换up=cv2.pyrUp(img)# 向下变换down=cv2.pyrDown(img) 拉普拉斯金字塔 
down=cv2.pyrDown(img)down_up=cv2.pyrUp(down)l_1=img-down_upcv_show(l_1,'l_1')
图像轮廓cv2.findContours(img,mode,method) mode:轮廓检索模式 RETR_EXTERNAL ：只检索最外面的轮廓； RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中； RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界; RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次; method:轮廓逼近方法 CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）。 CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。 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')# 提取轮廓binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)# 绘制轮廓#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度# 注意需要copy,要不原图会变。。。draw_img = img.copy()res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)cv_show(res,'res')轮廓特征 # 选取轮廓 0表示第一个轮廓cnt = contours[0]#面积cv2.contourArea(cnt)#周长，True表示闭合的cv2.arcLength(cnt,True) 轮廓近似 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')# 外接圆(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')
直方图用于统计图片像素值分布,x轴表示像素值（0-255），y轴表示该像素值对应个数。
cv2.calcHist(images,channels,mask,histSize,ranges)
images: 原图像图像格式为 uint8 或 float32。当传入函数时应 用中括号 [] 括来例如[img]
channels: 同样用中括号括来它会告函数我们统幅图 像的直方图。如果入图像是灰度图它的值就是 [0]如果是彩色图像 的传入的参数可以是 [0][1][2] 它们分别对应着 BGR。
mask: 掩模图像。统整幅图像的直方图就把它为 None。但是如 果你想统图像某一分的直方图的你就制作一个掩模图像并 使用它。
histSize:BIN 的数目。也应用中括号括来
ranges: 像素值范围常为 [0256] # 统计灰度图的直方图img = cv2.imread('cat.jpg',0) #0表示灰度图hist = cv2.calcHist([img],[0],None,[256],[0,256])hist.shape# 统计三通道直方图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： # 创建maskmask = np.zeros(img.shape[:2], np.uint8)print (mask.shape)mask[100:300, 100:400] = 255cv_show(mask,'mask')# 将mask与图像融合masked_img = cv2.bitwise_and(img, img, mask=mask)#与操作cv_show(masked_img,'masked_img')# 使用mask进行直方图统计与非mask进行直方图统计hist_full = cv2.calcHist([img], [0], None, [256], [0, 256])hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256])
直方图均衡化：是图像像素分布更加均匀。
# 直方图均衡化equ = cv2.equalizeHist(img) plt.hist(equ.ravel(),256)plt.show()
自适应均衡化：通过将图片划分为局部图片，然后进行直方图均衡化处理。 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
傅里叶变换时域-》频域
傅里叶变换的作用
高频：变化剧烈的灰度分量，例如边界 低频：变化缓慢的灰度分量，例如一片大海 滤波
低通滤波器：只保留低频，会使得图像模糊，相当于对于边界的处理。 高通滤波器：只保留高频，会使得图像细节增强，相当于对于非边界的处理。 opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式。
得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。
cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）。 import numpy as npimport cv2from matplotlib import pyplot as pltimg = 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)# 得到灰度图能表示的形式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()# 低频滤波import numpy as npimport cv2from matplotlib import pyplot as pltimg = 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.shapecrow, ccol = int(rows/2) , int(cols/2) # 中心位置# 低通滤波mask = np.zeros((rows, cols, 2), np.uint8)mask[crow-30:crow+30, ccol-30:ccol+30] = 1# IDFTfshift = dft_shift*maskf_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() 结果（低通对边界值不友好）
# 高频滤波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.shapecrow, ccol = int(rows/2) , int(cols/2) # 中心位置# 高通滤波mask = np.ones((rows, cols, 2), np.uint8)mask[crow-30:crow+30, ccol-30:ccol+30] = 0# IDFTfshift = dft_shift*maskf_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() 结果（高通对非边界值不友好）
模板匹配模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(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：计算平方不同，计算出来的值越小，越相关
TM_CCORR：计算相关性，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关 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或归一化平方差匹配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) # 画矩形 cv2.rectangle(img2, top_left, bottom_right, 255, 2) plt.subplot(121), plt.imshow(res, cmap='gray') plt.xticks([]), plt.yticks([]) # 隐藏坐标轴 plt.subplot(122), plt.imshow(img2, cmap='gray') plt.xticks([]), plt.yticks([]) plt.suptitle(meth) plt.show()
总结到此这篇关于opencv python简易文档之图像处理算法的文章就介绍到这了,更多相关opencv python图像处理算法内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
opencv python简易文档之图片基本操作指南
python实现sqlalchemy的使用概述 |
