opencv庫的基本使用(python)
阿新 • • 發佈：2018-12-29
1.圖片的讀取與儲存
2.畫素點的操作，新增椒鹽噪聲# -*- coding: utf-8 -*- # @Author: Xingmo import cv2 import numpy as np # 讀取圖片: cv2.imread(路徑,num) 其中num=0，為灰度影象；num=1為彩圖 img = cv2.imread('002.jpg',0) # 建立視窗，cv2.namedWindow(視窗名) cv2.namedWindow('image') # 儲存圖片,cv2.imwrite(儲存圖片名,要儲存的圖片) cv2.imwrite('002.jpg',img) # 第三個引數針對特定的格式： 對於JPEG，其表示的是影象的質量，用0-100的整數表示(越高越清晰，壓縮級別越低)，預設為95。 注意，cv2.IMWRITE_JPEG_QUALITY型別為Long，必須轉換成int。 cv2.imwrite('003.jpg',img,[int(cv2.IMWRITE_JPEG_QUALITY), 10]) # 對於PNG，第三個引數表示的是壓縮級別。cv2.IMWRITE_PNG_COMPRESSION，從0到9,壓縮級別越高，影象尺寸越小。預設級別為3 cv2.imwrite('004.png', img, [int(cv2.IMWRITE_PNG_COMPRESSION), 5]) # 圖片顯示，cv2.imshow(視窗名，要顯示的圖片) cv2.imshow('image1',img) # 複製img圖片 #emptyimage = img.copy() # 建立空圖片 emptyimage = np.zeros(img.shape,np.uint8) cv2.imshow('image2',emptyimage) # 鍵盤繫結函式 cv2.waitKey(0) # 釋放視窗 cv2.destroyAllWindows()
# -*- coding: utf-8 -*- # @Author: Xingmo import cv2 import numpy as np # 新增椒鹽噪聲 def salt(img): for k in range(100): # 建立圖片隨機座標點 i = int(np.random.random()*img.shape[0]) j = int(np.random.random()*img.shape[1]) # 圖片為灰度影象，有二維 if img.ndim == 2: img[i,j] = 255 # 圖片為彩色圖片，有三維，RGB elif img.ndim == 3: img[i,j,0] = 255 img[i,j,1] = 255 img[i,j,2] = 255 return img if __name__ == '__main__': # 讀取圖片 img = cv2.imread('001.jpg') # 新增噪聲 saltImage = salt(img) # 圖片顯示 cv2.imshow("Salt", saltImage) # 圖片儲存 cv2.imwrite('salt.jpg',saltImage) cv2.waitKey(0) cv2.destroyAllWindows()
3.彩色圖片各通道分離與合併
# -*- coding: utf-8 -*- # @Author: Xingmo import cv2 img = cv2.imread('001.jpg') # split 返回BGR三個通道 b,g,r = cv2.split(img) # merged 通道合併 merge = cv2.merge([b,g,r]) cv2.imshow('merge',merge) #cv2.imshow("Red", r) #cv2.imshow("Green", g) #cv2.imshow("Blue", b) cv2.waitKey(0) cv2.destroyAllWindows()
4.直方圖的繪畫
# -*- coding: utf-8 -*-
# @Author: Xingmo
####### 說明 #######
# cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) #返回hist
# 第一個引數為讀取的影象，必須用方括號括起來。
# 第二個引數是用於計算直方圖的通道，這裡使用灰度圖計算直方圖，所以就直接使用第一個通道；
# 第三個引數是Mask，這裡沒有使用，所以用None。
# 第四個引數是histSize，表示這個直方圖分成多少份（即多少個直方柱）。第二個例子將繪出直方圖，到時候會清楚一點。
# 第五個引數是表示直方圖中各個畫素的值，[0.0, 256.0]表示直方圖能表示畫素值從0.0到256的畫素。
# 最後是兩個可選引數，由於直方圖作為函式結果返回了，所以第六個hist就沒有意義了（待確定）
# 最後一個accumulate是一個布林值，用來表示直方圖是否疊加。
#######
# cv.PolyLine(img, polys, is_closed, color, thickness=1, lineType=8, shift=0) # 返回None
# img 讀取的影象
# polys 多邊形曲線的陣列(各個座標點)
# is_closed 繪製的折線是否關閉的標誌,起始點是否有線連線，False為沒有
# color 折線的顏色 [b,g,r]
# thickness 折線邊緣的厚度
# lineType 線段的型別
# shift 頂點座標中的小數位數
######## 說明END #######
import cv2
import numpy as np
# 將直方圖(填充)轉化為圖片
def calcAndDrawHist(image, color):
hist = cv2.calcHist([image], [0], None, [256], [0.0,255.0])
# cv2.minMaxLoc 最大值maxVal和最小值minVal及它們的位置
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(hist)
# 建立全零影象
histImg = np.zeros([256,256,3], np.uint8)
hpt = int(0.95* 256);
for h in range(256):
# hpt=0.95*256 0.95防止最大值為整張圖片的高，每個hist與最大值的比*(256*0.95)即可表示該hist在圖片中的高度
intensity = int(hist[h]*hpt/maxVal)
# cv2.line(影象img，第一個點座標(x1,y1)，第二個點座標(x2,y2)，顏色[b,g,r])
cv2.line(histImg,(h,256), (h,256-intensity), color)
return histImg
# 將直方圖(折線)轉化為圖片
def DrawHist(img):
# 建立空圖片
h = np.zeros((256,256,3))
# 直方圖中各bin的頂點位置
bins = np.arange(256).reshape(256,1)
# BGR三種顏色
color = [ (255,0,0),(0,255,0),(0,0,255) ]
for ch, col in enumerate(color):
originHist = cv2.calcHist([img],[ch],None,[256],[0,256])
# cv2.normalize(影象img,輸出影象,歸一化後最低值,歸一化後最大值,規範化型別 cv2.NORM_MINMAX:僅針對密集陣列)
cv2.normalize(originHist, originHist,0,255*0.9,cv2.NORM_MINMAX)
# np.around(array) 取整數，但資料型別仍為float
hist=np.int32(np.around(originHist))
# np.column_stack 將兩個1-D陣列作為列堆疊成2維陣列
pts = np.column_stack((bins,hist))
# cv2.polylines(影象img,多邊形曲線的陣列,繪製的折線是否關閉的標誌,折線顏色)
cv2.polylines(h,[pts],False,col)
# np.flipud 在上/下方向翻轉陣列。
h=np.flipud(h)
return h
'''
####### 灰度影象———直方圖(填充) #######
img = cv2.imread('001.jpg',0)
histimg = calcAndDrawHist(img,[255,255,255])
cv2.imshow('hist',histimg)
cv2.waitKey(0)
'''
####### 彩色影象———直方圖(填充) #######
if __name__ == '__main__':
# 讀取圖片
img = cv2.imread("001.jpg")
# cv2.spilt 返回BGR三個通道
b, g, r = cv2.split(img)
# calcAndDrawHist(影象img，color填[b,g,r])
histImgB = calcAndDrawHist(b, [255, 0, 0])
histImgG = calcAndDrawHist(g, [0, 255, 0])
histImgR = calcAndDrawHist(r, [0, 0, 255])
cv2.imshow("histImgB", histImgB)
cv2.imshow("histImgG", histImgG)
cv2.imshow("histImgR", histImgR)
cv2.imshow("Img", img)
####### 彩色影象———直方圖(折線) #######
if __name__ == '__main__':
img = cv2.imread("001.jpg")
h = DrawHist(img)
cv2.imshow('colorhist',h)
cv2.waitKey(0)
cv2.destroyAllWindows()結果顯示：
彩色影象———直方圖(填充)
彩色影象———直方圖(折線)
5.形態學運算：膨脹與腐蝕
# -*- coding: utf-8 -*-
# @Author: Xingmo
import cv2
import numpy as np
# 讀取影象
img = cv2.imread('004.jpg',0);
# 構造一個3×3的結構元素
element = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3))
# 膨脹影象 cv2.dilate(影象,元素結構)
dilate = cv2.dilate(img, element)
# 腐蝕影象 cv2.erode(影象,元素結構)
erode = cv2.erode(img, element)
# 將兩幅影象相減獲得邊，第一個引數是膨脹後的影象，第二個引數是腐蝕後的影象
result = cv2.absdiff(dilate,erode);
# 上面得到的結果是灰度圖，cv2.threshold將其二值化以便更清楚的觀察結果
# cv2.threshold(src , thresh, maxval, type[, dst]) 返回retval、dst
# cv2.threshold(影象, 閾值 , 最大值, 閾值型別) 返回值型別、返回處理後圖像
# 閾值型別：THRESH_BINARY、THRESH_BINARY_INV、THRESH_TRUNC、THRESH_TOZERO、THRESH_TOZERO_INV
retval, result = cv2.threshold(result, 40, 255, cv2.THRESH_BINARY);
# 反色，即對二值圖每個畫素取反
result = cv2.bitwise_not(result);
# 顯示影象
cv2.imshow("origin",img); # 原圖
cv2.imshow("result",result);# 邊緣檢測圖
cv2.waitKey(0)
cv2.destroyAllWindows()
6.初級濾波器
# -*- coding: utf-8 -*-
# @Author: Xingmo
import cv2
import numpy as np
######## 線性過濾器 #######
# 低通濾波(平滑影象)
# cv2.blur(影象,濾波器大小(num,num)) #返回dst(處理後圖像)
#
# cv2.boxFilter(影象, -1, 濾波器大小(num,num)) #返回dst(處理後圖像)
# 第二個引數-1表示與原圖相同
#
# 高斯模糊
# cv2.GaussianBlur(影象,濾波器大小(num,num),X方向的高斯核心標準偏差) #返回dst(處理後圖像)
######## 線性過濾器END #######
#
######## 非線性過濾器 #######
# 中值濾波
# cv2.medianBlur(影象,濾波器大小num)
####### 非線性過濾器END #######
def salt(img):
for k in range(100):
# 建立圖片隨機座標點
i = int(np.random.random()*img.shape[0])
j = int(np.random.random()*img.shape[1])
# 圖片為灰度影象，有二維
if img.ndim == 2:
img[i,j] = 255
# 圖片為彩色圖片，有三維，RGB
elif img.ndim == 3:
img[i,j,0] = 255
img[i,j,1] = 255
img[i,j,2] = 255
return img
if __name__ == '__main__':
#
img = cv2.imread('001.jpg',0)
salt =salt(img)
# 低通濾波
dst1 = cv2.blur(salt,(5,5))
# boxFilter
dst2 = cv2.boxFilter(salt,-1,(5,5))
# 高斯模糊
dst3 = cv2.GaussianBlur(salt,(5,5),1.5)
# 中值濾波
dst4 = cv2.medianBlur(salt,5)
# 影象顯示
# 對於椒鹽噪聲而言，中值濾波效果是最好的，其他效果差不多
cv2.imshow('salt',salt)
cv2.imshow('blur',dst1)
cv2.imshow('boxFilter',dst2)
cv2.imshow('GaussianBlur',dst3)
cv2.imshow('medianBlur',dst4)
cv2.waitKey(0)
cv2.destroyAllWindows()
7.sobel
# -*- coding: utf-8 -*-
# @Author: Xingmo
####### cv2.sobel說明 #######
# cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) #返回dst(處理後圖像)
# scr 影象
# ddepth 輸出影象深度
# S = 符號整型 U = 無符號整型 F = 浮點型
# src.depth()= CV_8U，ddepth= -1 / CV_16S/ CV_32F/CV_64F
# src.depth()= CV_16U/ CV_16S，ddepth= -1 CV_32F//CV_64F
# src.depth()= CV_32F，ddepth= -1 CV_32F/CV_64F
# src.depth()= CV_64F，ddepth= -1 /CV_64F
# 何時ddepth=-1，目的地影象將具有與源相同的深度
# dx
# dy
####### cv2.sobel說明END #######
import cv2
import numpy as np
img = cv2.imread('003.jpg', 0)
x = cv2.Sobel(img,cv2.CV_16S,1,0)
y = cv2.Sobel(img,cv2.CV_16S,0,1)
# cv2.convertScaleAbs 在輸入陣列的每個元素上，該函式依次執行三個操作：縮放，取絕對值，轉換為無符號8位型別
# 轉回uint8
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
# cv2.addWeighted(src1 , alpha, src2 , beta , gamma[, dst[, dtype]]) #返回dst(處理後圖像)
# cv2.addWeighted(輸入1, 分量1, 輸入2, 分量2, 標量)
# dst = src1*alpha + src2*beta + gamma
dst = cv2.addWeighted(absX,0.5,absY,0.5,0)
# 影象顯示
cv2.imshow('origin',img)
cv2.imshow("absX", absX)
cv2.imshow("absY", absY)
cv2.imshow("Result", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()8.laplacian
# -*- coding: utf-8 -*-
# @Author: Xingmo
####### cv2.Laplacian 說明 #######
# cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]) #返回dst(處理後圖像)
# src 影象
# ddepth 輸出影象深度
# S = 符號整型 U = 無符號整型 F = 浮點型
# src.depth()= CV_8U，ddepth= -1 / CV_16S/ CV_32F/CV_64F
# src.depth()= CV_16U/ CV_16S，ddepth= -1 CV_32F//CV_64F
# src.depth()= CV_32F，ddepth= -1 CV_32F/CV_64F
# src.depth()= CV_64F，ddepth= -1 /CV_64F
# 何時ddepth=-1，目的地影象將具有與源相同的深度
# dst 輸出影象
# ksize 用於計算二階微分濾波器的孔徑大小，其大小必須是正數和奇數
# scale 縮放導數的比例常數，預設情況下沒有伸縮係數
# delta 在結果儲存之前新增到結果中的可選增量值，預設情況下沒有額外的值加到dst中
# borderType 判斷影象邊界的模式。這個引數預設值為cv2.BORDER_DEFAULT
####### cv2.Laplacian 說明END #######
import cv2
import numpy as np
# 影象讀取
img = cv2.imread("004.jpg", 0)
gray_lap = cv2.Laplacian(img,cv2.CV_16S,ksize = 3)
# cv2.convertScaleAbs 在輸入陣列的每個元素上，該函式依次執行三個操作：縮放，取絕對值，轉換為無符號8位型別
# 轉回uint8
dst = cv2.convertScaleAbs(gray_lap)
# 影象顯示
cv2.imshow('origin',img)
cv2.imshow('laplacian',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
由於laplacian對噪聲敏感，對圖片先去躁可得到更好的效果
blur = cv2.medianBlur(img,3)
blur = cv2.blur(img,(3,3))9.canny
# -*- coding: utf-8 -*-
# @Author: Xingmo
####### cv2.Canny 說明 #######
# cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) 返回edges(邊緣圖)
# image 原影象，該影象必須為單通道的灰度圖
# threshold1 第一個閾值
# threshold2 第二個閾值
# apertureSize Sobel運算元的孔徑大小，其有預設值3
# L2gradient 是否使用L2範數，一個計算影象梯度幅值的標識，預設值false
####### cv2.Canny 說明END #######
import cv2
import numpy as np
# 讀取圖片
img = cv2.imread('004.jpg', 0)
# 高斯模糊
blur = cv2.GaussianBlur(img,(3,3),0)
canny = cv2.Canny(blur, 50, 200)
# 影象顯示
cv2.imshow('origin',img)
cv2.imshow('Canny', canny)
cv2.waitKey(0)
cv2.destroyAllWindows()