Opencv 图像处理

cmd.exe 安装命令行

》pip install opencv-python

》pip install tensorflow

》pip install keras 必须安装tensorflow基础之上

板块一、

几何图形（cv2 图像处理）

图片导入；
图片长宽通道数学；
图片裁剪；
图片输出；
图片保存文件；

tu = cv2.imread('image.jpg')
(h,w,t)=tu.shape
print(tu.shape)
cX,cY = (w//2,h//2)
print(cX)
tl = tu[0:cY,0:cX]
tr = tu[0:cY,cX:w]
bl = tu[cY:h,0:cX]
br = tu[cY:h,cX:w]
def zzImage(zhou):
    plt.imshow(zhou)
    plt.axis('off')
    plt.show()
zzImage(br)
#   裁剪顺序先y，再x

cv2.imwrite('newImage.jpg',image)

封装常用函数代码块（.py文件）

包含图片旋转代码

import cv2
import matplotlib.pyplot as plt
import numpy as np

#读取图片
def imgRead(src):
   src = cv2.imread(src)
   return cv2.cvtColor(src,cv2.COLOR_BGR2RGB)
#显示图片
def imgShow(img):
    plt.imshow(img)
    plt.axis('off')
    plt.show()
def imgWrite(Img):
    return cv2.imwrite('newImage.jpg',Img)



img = imgRead('face.png')
imgShow(img)
#imgWrite(img)

#看图片的信息 
(h,w,t)=img.shape  
print(img.shape)
#得出图片的中心点
cX,cY=(w//2,h//2)
#写一个 动作 ，旋转动作   （旋转中心点，旋转角度，缩放的倍数）
Action = cv2.getRotationMatrix2D((cX,cY),90,1.0)
#外容器执行旋转动作  存储图片
img = cv2.warpAffine(img,Action,(w,h))
imgShow(img)

View Code

使用引入格式： from 文件名 import *

设置图片大小+等比例算法：

imgW = 80
imgH = int(img.shape[0]*imgW/img.shape[1])
img= cv2.resize(img,(imgW,imgH))
show(img)
print(img.shape)

人脸检测方法初学：

#定义人脸检测方法
def check(image):
    detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') #写入这个简单的xml文件
    rects = detector.detectMultiScale(image,scaleFactor=1.1,minNeighbors=3,minSize=(10,10),flags=cv2.CASCADE_SCALE_IMAGE)
    for (x,y,w,h) in rects:
          cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)
img = imread('Solvay.jpg')
check(img)
show(img)

板块二、

一、画图

导包	import numpy as np import cv2 import matplotlib.pyplot as plt
显示函数	def show(image): plt.imshow(image) plt.axis('off') plt.show()
创建一个 300 300 画布	image = np.zeros((300,300,3),dtype='uint8')
画线	green = (0,255,0) cv2.line(image, (0,0), (300,300), green)
正方形 -1 为填充	cv2.rectangle(wrap,(3,3),(296,296),(120,120,120),5)
	(cX,cY) = wrap.shape[1]//2,wrap.shape[0]//2 for i in range(0,140,15): cv2.circle(wrap,(cX,cY),i,green,2) cv2.circle(wrap,(cX,cY),15,(255,0,0),-1) show(wrap)
	content = np.zeros((300,300,3),dtype='uint8') for z in range(15): #随机的半径 Rban = np.random.randint(0,150) #随机的圆心 Rxin = tuple(np.random.randint(0,300,size=(2))) #随机的颜色 Rcolor = np.random.randint(0,255,size=(3)).tolist() cv2.circle(content,Rxin,Rban,Rcolor,-1) show(content)

二、翻转

导包不说了

cv2 matplotlib.pyplot

水平翻转 1

垂直翻转 0

水平+垂直 -1

cv2.finp(image,1)

三、裁剪

　　裁剪就是：把图片的某一块坐标数值，存起来显示

avater = image[0:0,200,200] 打印输出

四、图像算术

加像素	add = np.ones(wrap.shape,dtype='uint8')*100 coo = cv2.add(wrap,add) show(coo)
减像素	shan = np.ones(wrap.shape,dtype='uint8')*205 cww = cv2.subtract(wrap,shan) show(cww)

五、按位计算

与 1&1=1，1&0=0，0&1=0，0&0=0	and = cv2.bitwise_and(box1,box2)
或1\|1=1，1\|0=1，0\|1=1，0\|0=0	or = cv2.bitwise_or(box1,box2)
异或1^1=0,1^0=1,0^1=1,0^0=0	xor = cv2.bitwise_xor(box1,box2)
非 ~~1=0，~~0=1	not= cv2.bitwise_not(wrap)

五、遮挡

#导入一张图片

img = cv2.imread('cat.jpg')

#创建一个跟图片相同大小的容器

wrap = np.zeros(img.shap,dtype='uint8')

#创建一个盒子

squen = cv2.rectangle(wrap,(25,25),(250,350),白色，-1)

#进行按位计算得出新的图片

newImg = cv2.bitwise_and(wrap,img)

show(newImg)

五、单通道切割

mm = cv2.imread('cat.jpg') show(mm) (R,G,B) = cv2.split(mm) mm.shape meraged = cv2.merge([R,G,B]) show(meraged) cv2.imshow('R',R) cv2.imshow('G',G) cv2.imshow('B',B) cv2.waitKey(0) cv2.destroyAllWindows()

六、图像金字塔

nn = cv2.imread('image.jpg')
show(nn)
nn.shape

for u in range(4):
    nn = cv2.pyrDown(nn)
    print(nn.shape)
    show(nn)

for u in range(4):
    nn = cv2.pyrUp(nn)
    print(nn.shape)
    show(nn)

七、拉普拉斯金字塔（提取图像边界轮廓的）

yuan = cv2.imread('image.jpg')
show(yuan)
yuan.shape

#第一次降低
down_image1 = cv2.pyrDown(yuan)
#第二次降低
down_image2 = cv2.pyrDown(down_image1)
#第三次提升
up_image = cv2.pyrUp(down_image2)
#第一次降低减去最后一次得出的就是结果
lapulasi = down_image1 - up_image
show(lapulasi)

板块三、形态学（卷积）

一、Erode腐蚀 .erode（）

#设置腐蚀 Erision 黑色多一点白色小时
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
tuoyuan = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
shizi = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

imagea = cv2.erode(imga,juxing)
show(imagea)

去除白色，黑色多

二、Dilate膨胀 .dilate（）

#膨胀 dilate 黑色多一点白色小时
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
tuoyuan = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
shizi = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5))

imagea = cv2.dilate(imga,juxing)
show(imagea)

去除白色，黑色多

三、Opening开运算

#先腐蚀后膨胀
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

opening= cv2.morphologyEx(imga,cv2.MORPH_OPEN,juxing)
show(opening)

专业去除白色小点

四、Closing闭运算相反

#先膨胀后腐蚀
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_CLOSE,juxing)
show(closing)

专业去除嘿色小点

五、先开后闭运算

#先膨胀后腐蚀
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

imgb = cv2.imread('image2.jpg')
opening= cv2.morphologyEx(imgb,cv2.MORPH_OPEN,juxing)
colseing= cv2.morphologyEx(opening,cv2.MORPH_CLOSE,juxing)
show(colseing)

六、梯度运算

juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_GRADIENT,juxing)
show(closing)

膨胀 - 腐蚀 =出现图像的轮廓线

七、白帽运算作用：隐藏的白色显示

#
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_TopHat,juxing)
show(closing)

src - opening

八、黑帽运算作用：隐藏的黑色显示

#
juxing = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

closing= cv2.morphologyEx(imga,cv2.MORPH_CLOSE,juxing)
show(closing)

colseing-src

颜色模式转换（RGB/HSV/LAB/GRAY）

hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV) 转为 HSV

板块四、二值化（阈值）就是讲一张图片转为黑白两个颜色形成对比

五种简单模式：

gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
plt.imshow(gray,'gray')
plt.axis('off')
plt.show()

ret1,thresh1 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
ret2,thresh2 = cv2.threshold(gray,127,255,cv2.THRESH_BINARY_INV)
ret3,thresh3 = cv2.threshold(gray,127,255,cv2.THRESH_TRUNC)
ret4,thresh4 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO)
ret5,thresh5 = cv2.threshold(gray,127,255,cv2.THRESH_TOZERO_INV)

titles = ['original','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [gray, thresh1, thresh2, thresh3, thresh4, thresh5]
plt.figure(figsize=(15,5))
for i in range(6):
    plt.subplot(2,3,i+1)
    plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.show()

View Code

作用：自动化阈值（全局阈值），相当于这个抠图

#自动化阈值代码如下：

img = cv2.imread('opencv_logo.png')
#转换为灰度
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
#定义自动阈值
ret1,thresh1 = cv2.threshold(gray,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)
print('ret1',ret1)

#普通灰度
plt.imshow(gray,'gray')
plt.axis('off')
plt.show()

#打印自动阈值
plt.imshow(thresh1,'gray')
plt.axis('off')
plt.show()

#打印自动阈值
plt.imshow(thresh2,'gray')
plt.axis('off')
plt.show()

Adaptive Thresholding自适应阈值

我们使用是全局阈值，整幅图像采用同一个数作为阈值。这个是每一个区域对应一个阈值，自适应一张图有不同的阈值。

# 变灰度图
image = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
# 中值滤波
image = cv2.medianBlur(image,5)
# 普通二值化
ret,th1 = cv2.threshold(image,127,255,cv2.THRESH_BINARY)
# 平均值阈值
th2 = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,3)
# 高斯阈值
th3 = cv2.adaptiveThreshold(image,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,3)
titles = ['original', 'Global Thresholding', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [image, th1, th2, th3]
plt.figure(figsize=(10,5))
for i in range(4):
    plt.subplot(2,2,i+1)
    plt.imshow(images[i],'gray')
    plt.axis('off')
    plt.title(titles[i])
plt.show()

图像梯度：OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian （算子）

出现X轴、Y轴单向的颜色模糊模式，或者是 XY都有的第二图那张。

def gradient(image):
    image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    # cv2.CV_64F输出图像的深度(数据类型)，64位float类型，因为梯度可能是正也可能是负
    laplacian = cv2.Laplacian(image, cv2.CV_64F)
    # 1, 0表示在x方向求一阶导数，最大可以求2阶导数
    sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
    # 0, 1表示在y方向求一阶导数，最大可以求2阶导数
    sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
    titles = ['Original', 'Laplacian', 'SobelX', 'SobelY']
    images = [image,laplacian,sobelx,sobely]
    plt.figure(figsize=(10,5))
    for i in range(4):
        plt.subplot(2,2,i+1)
        plt.imshow(images[i],'gray')
        plt.title(titles[i])
        plt.axis('off')
    plt.show()

gradient(image)

Canny边缘检测：

def edge_detection(image,minVal=100,maxVal=200):
    image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    edges = cv2.Canny(image,minVal,maxVal)
    plt.imshow(edges,'gray')
    plt.axis('off')
    plt.show()

# 自动确定阈值的一种方法
def auto_canny(image, sigma=0.33):
    v = np.median(image)
    lower = int(max(0, (1.0-sigma) * v))
    upper = int(min(255, (1.0+sigma) * v))
    edged = cv2.Canny(image, lower, upper)
    print(lower,upper)
    return edged

edges = auto_canny(image)
edges = cv2.GaussianBlur(edges, (3,3), 0)
plt.imshow(edges,'gray')
plt.axis('off')
plt.show()

摄像头画面获取：

import numpy as np
import cv2

#从摄像获取图像画面
cap = cv2.VideoCapture(0)

while(True):
    #ret 读取成功True 或失败 False
    #Frame 读取的图像的内容
    #读取一帧数据
    ret,frame = cap.read()
    #变为灰度图片
    gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    cv2.imshow('frame',gray)

# 监控键盘输入，如果键值是 q 那么久跳出 while循环
if cv2.waitKey(1) & 0xff == ord('w'):
break
cap.release()
cv2.destroyAllWindows()

视频文件读取：

# 从文件读取视频内容
cap = cv2.VideoCapture('videos/cats.mp4')
# 视频每秒传输帧数
fps = cap.get(cv2.CAP_PROP_FPS)
# 视频图像的宽度
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
# 视频图像的长度
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
print(fps)
print(frame_width)
print(frame_height)

#循环读取图像帧
while(True):
    ret,frame = cap.read()
    if ret !=True:
        break
    cv2.imshow('frame',frame)

#waitKey() 设置图像延迟播放速率
if cv2.waitKey(25) & 0xff == ord('q'):
break
cap.release()
cv2.destroyAllWindows()

写入视频文件读取：

读取视频文件，读取写入的文件，将文件A 修改翻转，写入到文件B

import numpy as np
import cv2

fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('video/output.avi',fourcc,fps,(frame_width,frame_height))

while(True):
    ret, frame = cap.read()
    if ret==True:
        # 水平翻转
        frame = cv2.flip(frame,0)
        out.write(frame)
        cv2.imshow('frame',frame)
        if cv2.waitKey(25) & 0xff == ord('q'):
            break
    else:
        break
out.release()
cap.release()
cv2.destroyAllWindows()

10.人脸检测Haar特征+Adaboost级联分类器：

Haar 就是通过移动滑块收集特征，最小24*24，最大就是白黑白跟滑块边缘的宽度一致，使用卷积再滑块盒子中移动检测。

摄像头人脸检测:

#从摄像获取图像画面
cap = cv2.VideoCapture(0)

detector = cv2.CascadeClassifier('haarcascade_frontalface_alt.xml')

while(True):
    #ret 读取成功True 或失败 False
    #Frame 读取的图像的内容
    ret,image = cap.read()
    #image = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

    # 级联分类器
    rects = detector.detectMultiScale(image, scaleFactor=1.1, minNeighbors=2, minSize=(10,10), flags=cv2.CASCADE_SCALE_IMAGE)
    for (x,y,w,h) in rects:
        # 画矩形框
        cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)

    cv2.imshow('人脸识别',image)
    if cv2.waitKey(1) & 0xff == ord('w'):
            break
cap.release()
cv2.destroyAllWindows()

posted @ 2019-08-27 11:18 Haisen'Blogs 阅读(3711) 评论(0) 编辑收藏举报

刷新页面返回顶部

Haisen'Blogs

Opencv 图像处理

Adaptive Thresholding自适应阈值

图像梯度：OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian （算子）

Canny边缘检测：

摄像头画面获取：

公告

reeber