段力辉版本《OpenCV-Python 中文教程》学习

        此书极好，值得借鉴学习，并且开源开放。Python在实现过程中，体现出来了非常强的优势，特别是结合Numpy来进行矩阵计算，有很多简化方法。这里将学习过程代码进行增编、添加后进行展示。

　　Python目前的缺点应该是缺乏一个像ImageWatch这样的工具，这将影响算法研究；另外Numpy的过度抽象，某种程度上也会造成障碍。

1、寻找指定色彩区域

Python的特色，在于Numpy的使用

import cv2

import numpy  as np

src = cv2.imread( "e:/template/tiantan.jpg")

hsv = cv2.cvtColor(src,cv2.COLOR_BGR2HSV)

lower_blue = np.array([ 100, 43, 46])

upper_blue = np.array([ 124, 255, 255])

mask = cv2.inRange(hsv,lower_blue,upper_blue)

res = cv2.bitwise_and(src,src,mask=mask)

cv2.imshow( "hsv",hsv)

cv2.imshow( "mask",mask)

cv2.imshow( "res",res)

cv2.waitKey( 0)

2、warpperspective 透视变化的python实现

import cv2

import numpy  as np

src = cv2.imread( "e:/template/steel03.jpg")

rows,cols,ch = src.shape

pts1 = np.float32([[ 122, 0],[ 814, 0],[ 22, 540],[ 910, 540]])

pts2 = np.float32([[ 0, 0],[ 960, 0],[ 0, 540],[ 960, 540]])

M = cv2.getPerspectiveTransform(pts1,pts2)

dst = cv2.warpPerspective(src,M,(cols,rows))

cv2.imshow( "src",dst)

cv2.waitKey( 0)

这里操作的核心，是一个np的矩阵。在C++中，使用Vector，可能会造成很多浪费。

3、自适应阈值

import cv2

import numpy  as np

 

obj = cv2.imread( "e:/template/pig.jpg", 0)

ret,th1 = cv2.threshold(obj, 100, 255,cv2.THRESH_BINARY)

th2 = cv2.adaptiveThreshold(obj, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)

ret3,th3 = cv2.threshold(obj, 0, 255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

cv2.imshow( "th3",th3)

print(ret3)

cv2.waitKey()

当参数选择OTSU的时候，能够根据计算，自动算出下限。但是我认为这一点并没有什么特别的用途。

4、模糊处理

obj = cv2.imread( "e:/template/pig.jpg", 0)

blur= cv2.blur(obj,( 3, 3))

gaussBlur=cv2.GaussianBlur(obj,( 3, 3), 0)

median = cv2.medianBlur(obj, 5)

bilate = cv2.bilateralFilter(obj, 0.75, 0.75)

5、形态学变换

obj = cv2.imread( "e:/template/pig.jpg", 0)

opening = cv2.morphologyEx(obj,cv2.MORPH_OPEN,( 7, 7))

cv2.imshow( "obj",obj)

cv2.imshow( "opening",opening)

我喜欢这种写法，这将有长远影响。

6、梯度变化，包括1阶、2阶和混合的。

obj = cv2.imread( "e:/template/pig.jpg", 0)

laplacian = cv2.Laplacian(obj,cv2.CV_64F)

sobelx=cv2.Sobel(obj,cv2.CV_64F, 1, 0,ksize= 5)

sobely=cv2.Sobel(obj,cv2.CV_64F, 0, 1,ksize= 5)

7、梯度融合

曾经这段代码很神秘的，但是今日使用Python来写，就非常简单。可以看出，Python用来处理二维矩阵信息是很强的。

# Standard imports

import cv2

import numpy  as np

 

A = cv2.imread( "e:/template/apple.jpg")

B = cv2.imread( "e:/template/orange.jpg")

G = A.copy()

gpA=[G]

for i  in range( 6):

    G = cv2.pyrDown(G)

    gpA.append(G)

G = B.copy()

gpB = [G]

for i  in range( 6):

    G = cv2.pyrDown(G)

    gpB.append(G)

lpA = [gpA[ 5]]

for i  in range( 5, 0,- 1):

    GE = cv2.pyrUp(gpA[i])

    L = cv2.subtract(gpA[i- 1],GE)

    lpA.append(L)

lpB = [gpB[ 5]]

for i  in range( 5, 0,- 1):

    GE = cv2.pyrUp(gpB[i])

    L = cv2.subtract(gpB[i- 1],GE)

    lpB.append(L)

LS = []

for la,lb  in zip(lpA,lpB):

    rows,cols,dpt= la.shape

    print(rows,cols)

    ls = np.hstack((la[:, 0:cols// 2],lb[:,cols// 2:]))  #直接横向排列

    LS.append(ls)

ls_ = LS[ 0]

for i  in range( 1, 6):

    ls_ = cv2.pyrUp(ls_)

    ls_ = cv2.add(ls_,LS[i])

real = np.hstack((A[:,:cols// 2],B[:,cols// 2:]))

cv2.imshow( "ls_",ls_)

cv2.imshow( "real",real)

cv2.waitKey()

8、轮廓寻找

import cv2

import numpy  as np

src = cv2.imread( "e:/template/rectangle.jpg")

gray = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

ret,thresh = cv2.threshold(gray, 127, 255, 0)

contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

print(contours)

src = cv2.drawContours(src,contours,- 1,( 0, 255, 0), 3)

cv2.imshow( "src",src)

cv2.waitKey()

这里，使用 cv2.CHAIN_APPROX_NONE 或者不同的参数的话，会获得不同的轮廓结果。这对于我现有的轮廓分析研究，也是有帮助的。

9、轮廓的最小​ ​接圆和最大内切圆

外接圆比较简单

(x,y),radius = cv2.minEnclosingCircle(contours[ 0])

center = (int(x),int(y))

radius = int(radius)

src = cv2.circle(src,center,radius,( 0, 255, 0), 2)

 

注意它这里的表示方法。内切圆则采用特殊方法。

# Get the contours

contours, _ = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# Calculate the distances to the contour

raw_dist = np.empty(thresh.shape, dtype=np.float32)

for i  in range(src.shape[ 0]):

     for j  in range(src.shape[ 1]):

        raw_dist[i,j] = cv.pointPolygonTest(contours[ 0], (j,i),  True)

minVal, maxVal, _, maxDistPt = cv.minMaxLoc(raw_dist)

minVal = abs(minVal)

maxVal = abs(maxVal)

# Depicting the  distances graphically

drawing = np.zeros((src.shape[ 0], src.shape[ 1],  3), dtype=np.uint8)

for i  in range(src.shape[ 0]):

     for j  in range(src.shape[ 1]):

         if raw_dist[i,j] <  0:

            drawing[i,j, 0] =  255 - abs(raw_dist[i,j]) *  255 / minVal

         elif raw_dist[i,j] >  0:

            drawing[i,j, 2] =  255 - raw_dist[i,j] *  255 / maxVal

         else:

            drawing[i,j, 0] =  255

            drawing[i,j, 1] =  255

            drawing[i,j, 2] =  255    

cv.circle(drawing,maxDistPt,int(maxVal),( 255, 255, 255))

cv.imshow( 'Source', src)

cv.imshow( 'Distance and inscribed circle', drawing)

cv.waitKey()

最大内接圆则复杂许多。

10、寻找轮廓的极点

contours, _  = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

cnt = contours[ 0]

leftmost = tuple(cnt[cnt[:,:, 0].argmin()][ 0])

rightmost= tuple(cnt[cnt[:,:, 0].argmax()][ 0])

topmost  = tuple(cnt[cnt[:,:, 1].argmin()][ 0])

bottommost=tuple(cnt[cnt[:,:, 1].argmax()][ 0])

cv2.circle(src,leftmost, 5,( 0, 255, 0))

cv2.circle(src,rightmost, 5,( 0, 255, 255))

cv2.circle(src,topmost, 5,( 255, 255, 0))

cv2.circle(src,bottommost, 5,( 255, 0, 0))

cv2.imshow( "src",src)

这是一种很好的方法，能够直接找出轮廓的各方向边界。

11 模板匹配

src = cv.imread( "e:/template/lena.jpg", 0)

template = cv.imread( "e:/template/lenaface.jpg", 0)

w,h = template.shape

res = cv.matchTemplate(src,template,cv.TM_CCOEFF)

min_val,max_val,min_loc,max_loc = cv.minMaxLoc(res)

cv.rectangle(src,max_loc,(max_loc[ 0]+w,max_loc[ 1]+h),( 0, 0, 255), 2)

cv.imshow( "template",template)

cv.imshow( "src",src)

cv.waitKey()

我想体现的是python它的写法有很大不同。

src = cv.imread( "e:/template/coin.jpg")

gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)

template = cv.imread( "e:/template/coincut.jpg", 0)

w,h = template.shape

res = cv.matchTemplate(gray,template,cv.TM_CCOEFF_NORMED)

threshold = 0.4

loc = np.where(res>=threshold)

print(loc)

for pt  in zip(*loc[:: 1]):

    cv.rectangle(src,pt,(pt[ 0]+w,pt[ 1]+h),( 0, 0, 255), 2)

 

cv.imshow( "template",template)

cv.imshow( "src",src)

cv.waitKey()

结合使用阈值，可以实现多目标匹配。

# Standard imports

import cv2  as cv

import numpy  as np

src = cv.imread( "e:/template/coin.jpg")

gray = cv.cvtColor(src,cv.COLOR_BGR2GRAY)

template = cv.imread( "e:/template/coincut.jpg", 0)

w,h = template.shape

res = cv.matchTemplate(gray,template,cv.TM_CCOEFF_NORMED)

threshold = 0.6

loc = np.where(res>=threshold)

print(loc)

for pt  in zip(*loc[::- 1]): #排序方法为height width

    print(pt)

    cv.rectangle(src,pt,(pt[ 0]+w,pt[ 1]+h),( 0, 0, 255), 2)

 

cv.imshow( "template",template)

cv.imshow( "src",src)

cv.waitKey()

特别需要注意其排序方法。但是这里的阈值选择，也是超参数类型的。

12 HoughCircle

src = cv.imread( "e:/template/circle.jpg", 0)

src = cv.medianBlur(src, 5)

cimg = cv.cvtColor(src,cv.COLOR_GRAY2BGR)

circles = cv.HoughCircles(src,cv.HOUGH_GRADIENT, 1, 20,param1= 50,param2= 30,minRadius= 0,maxRadius= 0)

circles = np.uint16(np.around(circles))

for i  in circles[ 0,:]:

    cv.circle(cimg,(i[ 0],i[ 1]),i[ 2],( 0, 255, 0), 2)

    cv.circle(cimg,(i[ 0],i[ 1]), 2,( 0, 0, 255), 3)

cv.imshow( "src",cimg)

cv.waitKey()

13 风水岭算法

# Standard imports

import cv2  as cv

import numpy  as np

src = cv.imread( "e:/template/water_coins.jpg")

gray =cv.cvtColor(src,cv.COLOR_BGR2GRAY)

_,thresh = cv.threshold(gray, 0, 255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)

kernel = np.ones(( 3, 3),np.uint8)

opening = cv.morphologyEx(thresh,cv.MORPH_OPEN,kernel,iterations= 2)

sur_bg = cv.dilate(opening,kernel)

dist_transform = cv.distanceTransform(opening, 1, 5)

_,sur_fg=cv.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0)

sur_fg = np.uint8(sur_fg)

unknow = cv.subtract(sur_bg,sur_fg)

_,markers1 = cv.connectedComponents(sur_fg)

markers = markers1+ 1

markers[unknow == 255] =  0

markers3 = cv.watershed(src,markers)

src[markers3 == - 1] = [ 255, 0, 0]

cv.imshow( "src",src)

 

cv.waitKey()

这个结果，具有参考价值。

 

 

来自为知笔记(Wiz)