1.圖像基本操作

①讀取圖像

②顯示圖像

該函數(shù)中，name是顯示窗口的名字，可輸入任意字符串，img就是讀取的圖片矩陣。

waitKey()意思是圖片停留的時(shí)間，若設(shè)為0，則會(huì)一直保留直到關(guān)閉圖片。

③視頻讀取

使用VideoCapture方法讀取視頻，若可以成功讀取，則vc.read()返回的第一個(gè)參數(shù)就是True，否則為False。返回的第二個(gè)參數(shù)frame就是讀取的視頻圖片。此時(shí)只能讀取一張。

該函數(shù)可以將讀取的圖片按照設(shè)定的速度依次展示，cv.waitKey中的數(shù)值越小，展示的速度越快。

gray處只是把圖片設(shè)置成了灰度圖像，直接用frame展示也可以，就是原圖。最后的0xFF==27就是ESC鍵，按下這個(gè)鍵就會(huì)退出。

④圖像截取

因?yàn)閳D像讀取的是矩陣，因此使用矩陣的截取方法即可。

⑤顏色通道提取及還原

CV讀取圖像的時(shí)候，彩色是BGR而非RBG，使用split以及merge方法進(jìn)行提取和還原。

通過將其他通道設(shè)置為0，即可展示只保留某一顏色通道的圖像。

⑥邊界填充

指定大小后，有不同的填充方法，通過borderType來進(jìn)行設(shè)置。

⑦數(shù)值計(jì)算

若通過矩陣計(jì)算方式直接相加，則當(dāng)結(jié)果超過255的時(shí)候，會(huì)進(jìn)行取余操作。

若通過cv.add方法，則超過255的會(huì)全部截?cái)酁?55

圖像尺寸的修改：cv.resize(圖像矩陣，尺寸長(zhǎng)寬元組)

⑧圖像融合

通過cv.addWeighted對(duì)圖像進(jìn)行融合，參數(shù)分別為：第一張圖，權(quán)值，第二張圖，權(quán)值，微調(diào)的度。給的權(quán)值相當(dāng)于對(duì)圖像取了個(gè)透明度。兩張圖會(huì)直接重疊在一起。

2.閾值與平滑處理

①設(shè)定閾值并對(duì)圖像處理

通過cv.threshold對(duì)圖像進(jìn)行閾值處理，上面的代碼中，127就是閾值，255是最大值。后面是處理的方法，比如BINARY是處理為0和1，即顯示的圖片只有黑和白。加上INV就是反轉(zhuǎn)過來，也就是白和黑。

②圖像平滑-均值濾波

blur方法，傳入的第一個(gè)參數(shù)是圖像，第二個(gè)是核大小。 也就是以多大的范圍去處理圖像，比如3*3或者5*5等。

③圖像平滑-方框?yàn)V波

④圖像平滑-高斯濾波

⑤圖像平滑-中值濾波

對(duì)lena圖像通過以上的濾波方式進(jìn)行濾波，發(fā)現(xiàn)中值濾波的效果最好，因?yàn)橹兄禐V波會(huì)直接舍棄掉噪音，而其他的濾波方式都是需要考慮噪音在內(nèi)，并進(jìn)行計(jì)算的。

3.圖像的形態(tài)學(xué)處理

①腐蝕操作

kernel依舊是核，跟上面的一樣，代表處理的范圍大小。erode方法中的參數(shù)分別為：待處理的圖像，核，迭代次數(shù)。每一次迭代都會(huì)侵蝕掉一部分圖像。因此如果有細(xì)的毛刺會(huì)直接被侵蝕掉，粗的線條會(huì)變細(xì)。迭代次數(shù)越多，侵蝕的部分越大。

②膨脹操作

該操作相當(dāng)于腐蝕操作的逆操作。會(huì)把原來的內(nèi)容擴(kuò)展。如果原來的圖就帶毛刺，膨脹后毛刺會(huì)變大。

③開運(yùn)算和閉運(yùn)算

開閉運(yùn)算其實(shí)就是膨脹和腐蝕運(yùn)算的結(jié)合，有一個(gè)先后順序，如上圖。都是通過morphologyEx方法來實(shí)現(xiàn)的，改變其中的參數(shù)即可。

4.圖像梯度處理

①梯度運(yùn)算

梯度就是膨脹-腐蝕所得到的邊界。依舊是morphologyEx方法來實(shí)現(xiàn)。

②禮帽與黑帽

禮帽 = 原始輸入-開運(yùn)算結(jié)果

黑帽 = 閉運(yùn)算-原始輸入

其實(shí)就是把上面兩種運(yùn)算包裝成了函數(shù)

③圖像的梯度處理

三種算子：Sobel, Scharr, Laplacian

上面代碼中Sobel算子和Scharr算子輸入的參數(shù)為：待處理的圖片，圖像深度（通常指定為-1就可以），x方向，y方向

因此若只指定x為1，其實(shí)是計(jì)算了一半。需要把數(shù)值修改為絕對(duì)值，并計(jì)算y=1,x=0的情況下的另一半，兩者融合起來，才會(huì)是完整的處理。

Scharr算子：把左右數(shù)值變大，結(jié)果更明顯。

Laplacian算子：對(duì)變化更敏感，對(duì)噪音點(diǎn)也敏感。通常不單獨(dú)使用拉普拉斯算子。原理是中心點(diǎn)和周圍點(diǎn)比較，不需要輸入x和y。

5.邊緣檢測(cè)

①Canny邊緣檢測(cè)

流程：

1.使用高斯濾波器，平滑圖像，濾除噪聲
2.計(jì)算圖像中每個(gè)像素點(diǎn)的梯度強(qiáng)度和方向
3.應(yīng)用非極大值抑制，以消除邊緣檢測(cè)帶來的雜散效應(yīng)
4.應(yīng)用雙閾值檢測(cè)來確定真實(shí)的和潛在的邊緣
5.通過抑制孤立的弱邊緣完成最終的邊緣檢測(cè)

以上是兩種邊緣檢測(cè)的對(duì)比，結(jié)果如下

該方法會(huì)設(shè)置兩個(gè)閾值，大于高閾值的地方保留，低于低閾值的地方舍棄，在高低之間的地方，若和保留的地方有鏈接則保留，否則舍棄。

可以看出，閾值設(shè)定的高的時(shí)候，細(xì)節(jié)變少。低的時(shí)候，細(xì)節(jié)變多。

以上就是python opencv圖像處理基本操作示例詳解的詳細(xì)內(nèi)容，更多關(guān)于python opencv圖像處理的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論