Python-OpenCV的基本使用

Python-OpenCV的基本使用

Python-OpenCV环境的配置看上一篇OpenCV环境的配置
本篇主要介绍一下OpenCV的基本使用和相关函数的介绍。
以下所有操作都基于这三个库:
import cv2
import numpy as np
import matplotlib.pylab as plt

原图
Python-OpenCV的基本使用_第1张图片

文章目录

  • Python-OpenCV的基本使用
    • 1、图像的读取
    • 2、图像保存
    • 3、图像展示
    • 4、获取图像属性
    • 5、图像缩放(宽,高)
    • 6、在原图像中获取某一区域
    • 7、彩色图像通道分解
    • 8、图像加法
    • 9、图像反转
    • 10、图像金字塔
    • 11、直方图
    • 12、图像类型转换
    • 13、图像阈值转换 、二值化
    • 14、图像平滑处理
    • 15、图像形态学操作
    • 16、图像梯度,边缘检测
    • 17、图像轮廓标注
    • 18、读取视频文件

1、图像的读取

import cv2
img = cv2.imread('文件路径'[,cv2.IMREAD_UNCHANGED])
# 其他参数
# 以原图读取 -cv2.IMREAD_UNCHANGED-默认
# 以灰度图读取 -cv2.IMREAD_GRAYSCALE
# 以彩色图读取 -cv2.IMREAD_COLOR

2、图像保存

import cv2
cv2.imwrite('image/gray_test.jpg',img)

3、图像展示

(1)使用OpenCV自带的显示函数

import cv2
# 可以决定窗口是否可以调整大小。
# cv2.namedWindow('image', cv2.WINDOW_NORMAL) # 特殊情况
cv2.imshow('显示窗口的名字',img)
cv2.waitKey(0)
cv2.destroyAllWindows() # 关闭所有窗口
'''
cv2.waitKey(num)函数的参数介绍
num<0 按键输入消失
num==0 或不填系数 ,一直不消失
num>0 停滞num秒
'''

(2)使用matplotlib库实现
不能直接用matplotlib去显示opencv读取的图像,因为opencv读取的图像的通道顺序是[B,G,R],而matplotlib显示图像时图像的通道顺序是[R,G,B]。
解决办法

import cv2

img = cv2.imread('文件路径')
# 第一种方法
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 第二种方法
# b, g, r = cv2.split(img)
# img = cv2.merge([r, g, b])

显示图像

import cv2
matplotlib.pyplot as plt

img = cv2.imread('文件路径')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

plt.rcParams['font.sans-serif'] = ['FangSong']  # 支持中文标签
# (2,2,1)表示一共可显示2行2列4个图像,1表示第一个图像
plt.subplot(2,2,1), plt.title("图1") #  plt.axis('off') 关闭坐标轴
plt.imshow(img) # 还可以添加一个参数cmap='gray'
plt.subplot(2,2,2), plt.title("图2")
plt.imshow(img)
plt.subplot(2,2,3), plt.title("图3"), 
plt.imshow(img)
plt.subplot(2,2,4), plt.title("图4"), 
plt.imshow(img)  
plt.show()

(3)拼接图像并显示

import cv2
import numpy as np

# 拼接多个图片并显示
img1 = cv2.imread("1.jpg",cv2.IMREAD_UNCHANGED)
img2 = cv2.imread("2.jpg",cv2.IMREAD_UNCHANGED)
# 需要将两图片的大小改为一致
# heigh = img1.shape[0] # 高
# width = img1.shape[1] # 宽
img2 = cv2.resize(img2,(img1.shape[1],img1.shape[0]))
res = np.hstack((img1,img2,img2)) # 水平连接
# np.vstack((img1,img2,img2)) # 竖直连接
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、获取图像属性

# 获取BGR图的高、宽
heigh = img.shape[0] # 高
width = img.shape[1] # 宽
# 获取BGR图的高、宽、深度
h,w,d = img.shape
# 获得图片大小 h*w 或 h*w*d
img_size = img.size
# 获得图片数据类型
img.dtype

5、图像缩放(宽,高)

# 图片缩放->(200,100)
img2 = cv2.resize(img1, (200, 100)) # (宽,高)
# 按比例缩放->(0.5,1.2)
img2 = cv2.resize(img1, (round(cols * 0.5), round(rows * 1.2)))
# 按比例缩放,参数版
img2 = cv2.resize(img1, None, fx=1.2, fy=0)

6、在原图像中获取某一区域

# 获取区域在原图中的四个点的位置(x1,y1)(x2,y1)(x1,y2)(x2,y2)
# 图像高度不变,切割宽度,原图上开始横坐标-->原图上结束横坐标
# img_x_y = img[高:高,宽:宽]
img_x_y_1 = img[ : , x1(开始横坐标):x2(结束横坐标)]
# 图像宽度不变,切割高度,原图上开始纵坐标-->原图上结束纵坐标
img_x_y_2 = img[y1(开始纵坐标):y2(结束纵坐标), : ]
# 获取具体位置
img_x_y = img[y1(开始纵坐标):y2(结束纵坐标),x1(开始横坐标):x2(结束横坐标)]

例如:

import cv2
path = 'C:\\Users\\lenovo\\Desktop\\demo.jpg'
img = cv2.imread(path)
img_1 = img[100:600,200:500]
cv2.imshow('1',img_1)
cv2.waitKey(0)
cv2.destroyAllWindows()

Python-OpenCV的基本使用_第2张图片

7、彩色图像通道分解

# 通道分解方案1
b = img[:,:,0]
g = img[:,:,1]
r = img[:,:,2]
# 通道分解方案2
b,g,r = cv2.split(img)
# 通道合并
rgb = cv2.merge([r,g,b])
# 只显示蓝色通道
b = cv2.split(a)[0]
g = np.zeros((rows,cols),dtype=a.dtype)
r = np.zeros((rows,cols),dtype=a.dtype)
m = cv2.merge([b,g,r])

8、图像加法

# 超过255则为0
result1 = img1 + img2
# 超过255则为255
result2 = cv2.add(img1, img2)
# 图像带权重融合,第5个参数为偏移量
result = cv2.addWeighted(img1,0.5,img2,0.5, 0)

9、图像反转

img2 = cv2.flip(img1, 0) #上下翻转
img2 = cv2.flip(img1, 1) #左右翻转
img2 = cv2.flip(img1, -1) #上下、左右翻转

10、图像金字塔

# 图片向下采样,高斯滤波 1/2 删掉偶数列
img1 = cv2.pyrDown(img)
# 图片向上采样 ,面积*2 高斯滤波*4 ,下采样为不可逆运算
img3 = cv2.pyrUp(img2)
# 计算拉普拉斯金字塔
img1 = cv2.pyrDown(img) #下采样
img2 = cv2.pyrUp(img1) #上采样
img3 = img-img2

11、直方图

##matplotlib 绘制直方图
plt.hist(img.ravel(),256)
##用opencv计算直方图列表
hist = cv2.calcHist(images= [img],channels=[0],mask=None,histSize=[256],ranges=[0,255])
##掩膜提取局部直方图
pad = np.zeros(img.shape,np.uint8)
pad[200:400,200:400]=255
hist_MASK = cv2.calcHist(images= [img],channels=[0],mask=pad,histSize=[256],ranges=[0,255])
##opencv 交、并、补、异或操作
masked_img = cv2.bitwise_and(img,mask)
##直方图均衡化原理
# 图像直方图->直方图归一化->累计直方图->*255 # x坐标映射->对原来的像素值进行新像素值编码
# 直方图均衡化调用
img1 = cv2.equalizeHist(img)
# matplotlib绘制图片前通道转换
img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) #通道不一致性
##matplotlib多图绘制在一个面板上
plt.subplot('2,2,1'),plt.imshow(img,cmap=plt.cm.gray),plt.axis('off'),plt.title('original')
plt.subplot('2,2,2'), plt.imshow(img1, cmap = plt.cm.gray), plt.axis('off')
plt.subplot('2,2,3'), plt.hist(img.ravel(),256)
plt.subplot('2,2,4'), plt.hist(img1.ravel(), 256)

12、图像类型转换

# 彩色图转灰度图
img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
# BGR图转RGB图(重点:opencv的通道是 蓝、绿、红跟计算机常用的红、绿、蓝通道相反)
img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
# 灰度图转BGR图,每个通道都是之前的灰度值
img2 = cv2.cvtColor(img1, cv2.COLOR_GRAY2BGR)

13、图像阈值转换 、二值化

r,b = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #图像二值化,阈值127,r为返回阈值,b为二值图
r,b = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV) #图像反二值化
r,b = cv2.threshold(img,127,255,cv2.THRESH_TOZERO) #低于threshold则为0
r,b = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV) #高于threshold则为0
r,b = cv2.threshold(img,127,255,cv2.THRESH_TRUNC) #截断=>高于threshold则为threshold

14、图像平滑处理

# 均值滤波
img2 = cv2.blur(img1, (5, 5))  #sum(square)/25
# normalize=1 均值滤波,normalize=0 区域内像素求和
img1 = cv2.boxFilter(img, -1, (2, 2), normalize=1)
# 高斯滤波,第三个参数是方差,默认0计算公式: sigmaX=sigmaxY=0.3((ksize-1)*0.5-1)+0.8 (注:卷积核只能是奇数)
img1 = cv2.GaussianBlur(img, (3, 3), 0)  #距离像素中心点近的权重较大,以高斯方式往四周分布
# 中值滤波,效果非常好
img1 = cv2.medianBlur(img,3)  #获得中心点附近像素排序后的中值

15、图像形态学操作

(1)图像腐蚀,k为全为1的卷积核

k = np.ones((5,5),np.uint8)
img1 = cv2.dilate(img, k, iterations=2)

(2)图像膨胀

k = np.ones((5,5),np.uint8)
img1 = cv2.dilate(img, k, iterations=2)

(3)图像开运算 (先腐蚀后膨胀),去掉图形外侧噪点

k = np.ones((5,5),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_OPEN, k, iterations=2)

(4)图像闭运算(先膨胀后腐蚀) ,去掉图形内侧噪点

k = np.ones((5,5),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_CLOSE, k, iterations=2)
# 高帽运算 (原图-开运算),获得图形外噪点
k=np.ones((5,5),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, k)
# 黑帽运算(闭运算-原图),获得图像内噪点
k = np.ones((10,10),np.uint8)
img1 = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, k)

16、图像梯度,边缘检测

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

# 各种算子
img = cv2.imread('C:\\Users\\lenovo\\Desktop\\demo.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯平滑
img_median = cv2.medianBlur(img, 3)  # 中值滤波
img_gray = cv2.cvtColor(img_median, cv2.COLOR_BGR2GRAY)

# Roberts 算子
kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
kernely = np.array([[0, -1], [1, 0]], dtype=int)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
plt.rcParams['font.sans-serif'] = ['FangSong']  # 支持中文标签
plt.subplot(2,2,1), plt.title("Roberts算子"), plt.axis('off')
plt.imshow(Roberts,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)

# Prewitt 算子
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
# 转 uint8 ,图像融合
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Prewitt = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
plt.subplot(2,2,2), plt.title("Prewitt算子"), plt.axis('off')
plt.imshow(Prewitt,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)

#Sobel算子
# 梯度方向: x
sobelx = cv2.Sobel(img_gray, cv2.CV_8U, 1, 0, ksize=3)
sobely = cv2.Sobel(img_gray, cv2.CV_8U, 0, 1, ksize=3)
sobel = cv2.addWeighted(sobelx,1,sobely,1,0)
plt.subplot(2,2,3), plt.title("sobel算子"), plt.axis('off')
plt.imshow(sobel,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)

#canny算子
binary = cv2.Canny(img_gray, 100, 200)
plt.subplot(2,2,4), plt.title("Canny算子"), plt.axis('off')
plt.imshow(binary,cmap='gray')  # matplotlib 显示彩色图像(RGB格式)
# matplotlib 显示彩色图像(RGB格式)
# img = cv2.imread("D:/test/26.png", 0)
# Laplacian算子
# gray_lap = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
# dst = cv2.convertScaleAbs(gray_lap) # 转回uint8
plt.show()

17、图像轮廓标注

gray_img = cv2.cvtColor(img_1,cv2.COLOR_BGR2GRAY) #灰度图转化
dep,img_bin = cv2.threshold(gray_img,128,255,cv2.THRESH_BINARY) #二值图转化
image_contours,hierarchy = cv2.findContours(img_bin,mode=cv2.RETR_TREE,method = cv2.CHAIN_APPROX_SIMPLE) #获得图像轮廓
to_write = img_1.copy() #原始图像copy,否则会在原图上绘制
ret = cv2.drawContours(to_write,image_contours,-1,(0,0,255),2) #红笔绘制图像轮廓
plt.subplot(2,1,1),plt.imshow(ret,'gray')
plt.show()

18、读取视频文件

# 数据读取-视频
# cv2.VideoCapture #可以捕获摄像头,用数字来控制不同的设备,例如0,1。
# 如果是视频文件,直接指定好路径即可
vc = cv2.VideoCapture("test. mp4")
# 检查是否打开正确
if vc.isOpened():
	oepn, frame = vc.reado()
else: 
    open = False
while open:
	ret, frame = vc.read ()
	if frame is None:
		break
	if ret == True:
		gray = cv2. cvtColor(frame, cv2.COLOR_BGR2GRAY)
		cv2.imshow("result", gray)
		if cv2.waitKey(10) & OxFF == 27:
			break
vc.release()
cv2.destroyAllWindows()

你可能感兴趣的