前情提要：作為剛?cè)腴T機器視覺的小伙伴，第一節(jié)課學到機器視覺語法時覺得很難理解，

很多人家的經(jīng)驗，我發(fā)現(xiàn)都千篇一律，功能函數(shù)沒解析，參數(shù)不講解，就一個代碼，所以在此將搜集的解析和案例拿出來匯總！！!

一、opencv+python環(huán)境搭建

其實能寫python的就能寫opencv，但是工具很總要，代碼提示也很重要，你可能會用submit     vs等工具，submit編碼個人覺得不夠智能，vs的話過完年我學的方向不一致，所以沒用

推薦 pycharm ,在項目setting中的項目解釋器中安裝 opencv-python 即可進行編碼。python環(huán)境搭建也灰常方便。

二、邊緣提取案例

import cv2
def edge_demo(image):
  #GaussianBlur圖像高斯平滑處理
  blurred = cv2.GaussianBlur(image, (3, 3), 0)
　　#(3, 3)表示高斯矩陣的長與寬都是3,意思就是每個像素點按3*3的矩陣在周圍取樣求平均值，，標準差取0
  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
　　#顏色模式轉(zhuǎn)換成cv2.COLOR_BGR2GRAY模式下的灰度圖像
  
  edge_output = cv2.Canny(gray, 50, 150)
　　#提取上一步中處理好的圖像邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區(qū)分開來，低的用于平滑連接高閾值產(chǎn)生的片段，使圖像成一個整體
  cv2.imshow("canny edge", edge_output)#輸出灰度圖像
　　#原圖與灰度圖像與運算，按照灰度圖剪切加和的原圖
  dst = cv2.bitwise_and(image, image, mask=edge_output)  cv2.imshow("color edge", dst)#輸出帶顏色邊緣圖像


if __name__ == '__main__':
  img = cv2.imread("cat.jpg")
  # cv2.namedWindow("input image", cv2.WINDOW_AUTOSIZE)
  cv2.imshow("input image", img)
  edge_demo(img)

  cv2.waitKey(0)#等待鍵盤輸入，不輸入 則無限等待
  cv2.destroyAllWindows()#清除所以窗口

三、解釋功能函數(shù)

其實上面的代碼也是用的別人的，但絕大多數(shù)都沒有解釋，對于像我這種新手不是很友好

高斯處理

圖像處理中，常用的濾波算法有均值濾波、中值濾波以及高斯濾波等。

三種濾波器的對比：

濾波器種類 基本原理 特點

均值濾波 使用模板內(nèi)所有像素的平均值代替模板中心像素灰度值 易收到噪聲的干擾，不能完全消除噪聲，只能相對減弱噪聲

中值濾波 計算模板內(nèi)所有像素中的中值，并用所計算出來的中值體改模板中心像素的灰度值 對噪聲不是那么敏感，能夠較好的消除椒鹽噪聲，但是容易導致圖像的不連續(xù)性

高斯濾波 對圖像鄰域內(nèi)像素進行平滑時，鄰域內(nèi)不同位置的像素被賦予不同的權(quán)值 對圖像進行平滑的同時，同時能夠更多的保留圖像的總體灰度分布特征

意思就是使你的圖像灰度分布更均勻，每個點的像素均為周圍 按3*3的矩陣在周圍取樣求平均值，，標準差取0來處

 blurred = cv2.GaussianBlur(image, (3, 3), 0)
#GaussianBlur圖像高斯平滑處理
#(3, 3)表示高斯矩陣的長與寬都是3,意思就是每個像素點按3*3的矩陣在周圍取樣求平均值，，標準差取0

灰度轉(zhuǎn)換----》也叫做二值化處理

故名思意就是轉(zhuǎn)換成黑白圖像，后面的參數(shù)中    cv2.COLOR_BGR2GRAY  其實就是色彩模式，所以函數(shù)名為 cvtColor（色彩模式轉(zhuǎn)換）

cvtColor()用于將圖像從一個顏色空間轉(zhuǎn)換到另一個顏色空間的轉(zhuǎn)換（目前常見的顏色空間均支持），并且在轉(zhuǎn)換的過程中能夠保證數(shù)據(jù)的類型不變， 即轉(zhuǎn)換后的圖像的數(shù)據(jù)類型和位深與源圖像一致

 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
　　#顏色模式轉(zhuǎn)換成cv2.COLOR_BGR2GRAY模式下的灰度圖像

邊緣識別提取

這一步是將二值化后的圖像提取邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區(qū)分開來，低的用于平滑連接高閾值產(chǎn)生的片段，使圖像成一個整體

簡明而言就是，小的用于細小的地方處理，大的宏觀處理----》大閾值用于分離背景與輪廓，曉得用于拼接細小的輪廓，即可形成一個整體

edge_output = cv2.Canny(gray, 50, 150)
　　#提取上一步中處理好的圖像邊緣，50和150分別代表低閾值和高閾值，高閾值用來將物體與背景區(qū)分開來，低的用于平滑連接高閾值產(chǎn)生的片段，使圖像成一個整體

輸出即可，小面的函數(shù)只是對比學習而已，可以不用

（對于dst = cv2.bitwise_and(image, image, mask=edge_output) cv2.imshow("color edge", dst)#輸出帶顏色邊緣圖像

)

到此這篇關(guān)于python+opencv邊緣提取與各函數(shù)參數(shù)解析的文章就介紹到這了,更多相關(guān)python opencv邊緣提取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論