openCV入門學習基礎教程第三篇
更新時間：2022年11月21日 10:08:47 作者：老師我作業(yè)忘帶了
pencv是用于快速處理圖像處理、計算機視覺問題的工具,支持多種語言進行開發(fā)如c++、python、java等,下面這篇文章主要給大家介紹了關于openCV入門學習基礎教程的相關資料,需要的朋友可以參考下
前文復習：
一、Canny邊緣檢測
該邊緣檢測法步驟如下：
- 使用高斯濾波器，以平滑圖像，濾除噪聲。
- 計算圖像中每個像素點的梯度強度和方向。
- 應用非極大值（Non-Maximum Suppression）抑制，以消除邊緣檢測帶來的雜散響應。
- 應用雙閾值（Double-Threshold）檢測來確定真實的和潛在的邊緣。
- 通過抑制孤立的弱邊緣最終完成邊緣檢測。
高斯濾波
我們要進行邊緣檢測過程中肯定要進行梯度計算，計算梯度時那些噪音點也會影響梯度的變化，因此進行去噪。
梯度和方向
使用sobel算子，進行梯度大小和方向的計算。
非極大值抑制 NMS
算完梯度后，有些可能大點，有些可能小點，在一個核中，把一些小的梯度值抑制掉，只保留大的，即明顯的。
如人臉識別，能夠把臉框起來(有多個框框到臉了，只保留最好的。)
法1：
藍線表示方向，dTmp1和dTmp2都是亞像素點，g1g2g3g4都是知道的，可求dTmp1和dTmp2。 在c比dTmp1和dTmp2都大的情況下，保留c，否則就被抑制掉了。
法2：
比如我們選擇傾斜45°，就過了g1和g4了(上上圖)，就不用插值了。當前方向離哪個角度近就用選擇哪個。
右圖中如果A比BC都大，那么A就保存下來了。
雙閾值
對一些所有可能邊界進行過濾，只保留最真實的。
A點大于maxVal 就是邊界 如果有小于minVale的，那就省略掉。
他倆之間的B C分別進行討論，如果c和邊界是連著的，就保留。B沒連著，舍棄。
v1=cv2.Canny(img,80,150)
80 150為下上閾值，一定范圍內，下閾值越小，上閾值越小越容易被當作邊緣。
img=cv2.imread("./data/gd06.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show('res',res)
img=cv2.imread("./data/gd05.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,120,250)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show('res',res)
二、 圖像輪廓
上面說的是邊緣，隨便一個線段也能被檢測成邊緣。而輪廓是一個整體，正常是封閉的連在一起的。
2.1 輪廓收集
cv2.findContours(img,mode,method)
- RETR_EXTERNAL ：只檢索最外面的輪廓；
- RETR_LIST：檢索所有的輪廓，并將其保存到一條鏈表當中；
- RETR_CCOMP：檢索所有的輪廓，并將他們組織為兩層：頂層是各部分的外部邊界，第二層是空洞的邊界;
- RETR_TREE：檢索所有的輪廓，并重構嵌套輪廓的整個層次;(常用，推薦)
method:輪廓逼近方法
- CHAIN_APPROX_NONE：以Freeman鏈碼的方式輸出輪廓，所有其他方法輸出多邊形（頂點的序列）。
- CHAIN_APPROX_SIMPLE:壓縮水平的、垂直的和斜的部分，也就是，函數(shù)只保留他們的終點部分。
上圖就是兩種method，一個是整個框，一個是點，都能起到定位作用。
為了更高的準確率，我們選擇使用二值圖像：
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 127為分割閾值，超過的部分取255
cv_show('thresh',thresh)這里用到了cv2.threshold 是上一篇文章學的。
# contours輪廓信息 hierarchy層級 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
其返回值有兩個：
- 輪廓的信息：比如上面5個圖案，10個邊緣(內邊緣外邊緣)，這10個邊緣信息保存在了contours元組里。
- 層級：hierarchy 暫時用不上，用到了再說。
2.2 輪廓繪制
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
參數(shù)為：圖像，輪廓，輪廓索引(-1默認所有)，顏色模式(BGR)，線條厚度(不宜太大)
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 127為分割閾值，超過的部分取255
# contours輪廓信息 hierarchy層級
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
#傳入 圖像，輪廓，輪廓索引(-1默認所有)，顏色模式(BGR)，線條厚度(不宜太大)
# 注意需要copy,不然原圖會變。。。
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv_show('res',res)
仔細看它把10個(內外)輪廓都畫出來了，這與我們傳入的參數(shù) -1 有關。
當然我們也可以選擇其中某個：
draw_img = img.copy()
# 三角的外輪廓
res = cv2.drawContours(draw_img, contours, 0, (0, 0, 255), 2)
cv_show('res',res)draw_img = img.copy()
# 三角的內輪廓
res = cv2.drawContours(draw_img, contours, 1, (0, 0, 255), 2)
cv_show('res',res)draw_img = img.copy()
# 六邊形外輪廓
res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)
cv_show('res',res)2.3 輪廓特征
這里就介紹個周長和面積吧，后面用到別的再說。
cnt = contours[0] # 第0個輪廓 三角的外輪廓 #周長，True表示輪廓是閉合的 cv2.arcLength(cnt,True) # 8500.5 #面積 cv2.contourArea(cnt) # 437.9482651948929
2.4 輪廓近似
什么是輪廓近似呢，比如下圖左側圖案很麻煩，我們可以把它近似看成右邊的，就是輪廓近似。
這個的原理其實也很簡單，我發(fā)揮我的繪畫功能給你們展示一下：
把曲線AB近似成直線AB，至于要d<T(閾值)即可。
我們近似一下下圖：
邊緣繪制：
img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv_show('res',res)
epsilon = 0.02*cv2.arcLength(cnt,True) # 周長百分比 0.02
# 參數(shù)：輪廓 閾值，一般用周長百分比
# 返回：輪廓
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show('res',res)approx = cv2.approxPolyDP(cnt,epsilon,True)
- 參數(shù)：輪廓 閾值，一般用周長百分比
- 返回：輪廓
把閾值變大一點：
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show('res',res)
2.5 外接圖形
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# binary,
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 外接矩形 得到x,y,w,h就能把矩形畫出來了
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show('img',img)x,y,w,h = cv2.boundingRect(cnt)
三、圖像金字塔
3.1 高斯金字塔
高斯金字塔:向下采樣(縮小)
上面金字塔最底層44 往上一層變成22 長寬變?yōu)樵瓉硪话朊娣e變?yōu)樵瓉?/4，去除所有偶數(shù)行和列就是為了這一操作。
高斯金字塔:向上采樣(擴大)
用0填充后，用卷積核把那幾個值分布在0上，獲得近似值。
img=cv2.imread("./data/gd01.jpg")
cv_show('img',img)
up=cv2.pyrUp(img)
cv_show('up',up)
up2=cv2.pyrUp(up)
cv_show('up2',up2)
down=cv2.pyrDown(img)
cv_show('down',down)上面其實就是圖片的放大與縮小。
下面要注意，縮小放大后的圖片會變得模糊，畢竟之前我們是用0填充，卷積核計算獲得的近似值。
# 先擴大后縮小后，由于當時是用0填充的，會損失信息。
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
# 顯然變得模糊了
cv_show('up_down',np.hstack((img,up_down)))
明顯右邊模糊了，我們把兩張圖片做個差值：
# 做差就能看出區(qū)別
up=cv2.pyrUp(img)
up_down=cv2.pyrDown(up)
cv_show('img-up_down',img-up_down)
這就是不同的部分。
3.2 拉普拉斯金字塔
和上面最后縮小放大后的圖片一樣，拉普拉斯這個每一層都是 原始-縮小(放大了的圖片) 第二層用第一層的結果去減了。
down=cv2.pyrDown(img)
down_up=cv2.pyrUp(down)
l_1=img-down_up
cv_show('l_1',l_1)
四、直方圖
4.1 像素直方圖繪制
左側灰度圖像素點 右側像素點直方圖
cv2.calcHist(images,channels,mask,histSize,ranges)
- images: 原圖像圖像格式為 uint8 或 ?oat32。當傳入函數(shù)時應 用中括號 [] 括來例如[img]
- channels: 同樣用中括號括來它會告函數(shù)我們統(tǒng)幅圖像的直方圖。如果入圖像是灰度圖它的值就是 [0]如果是彩+ 色圖像 的傳入的參數(shù)可以是 [0][1][2] 它們分別對應著 BGR。
- mask: 掩模圖像。統(tǒng)計整幅圖像的直方圖就mask = None。但是如果你想統(tǒng)計圖像某一分的直方圖的你就制作一個掩模圖像并使用它。
- histSize:BIN 的數(shù)目。也應用中括號括來如0-10是一個柱子 11-20是一個柱
- ranges: 像素值范圍常為 [0256]
img = cv2.imread('./data/gd01.jpg',0) #0表示灰度圖
hist = cv2.calcHist([img],[0],None,[256],[0,256])
plt.hist(img.ravel(),256);
plt.show()
img = cv2.imread('./data/gd01.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
histr = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256]) 
mask操作
我們取一小塊區(qū)域，然后獲得圖片中這一塊區(qū)域的圖像
# 創(chuàng)建mast
mask = np.zeros(img.shape[:2], np.uint8)
print (mask.shape)
mask[100:300, 100:400] = 255
cv_show('mask',mask)
masked_img = cv2.bitwise_and(img, img, mask=mask)#與操作
cv_show('masked_img',masked_img)
hist_full = cv2.calcHist([img], [0], None, [256], [0, 256]) hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 256]) plt.subplot(221), plt.imshow(img, 'gray') plt.subplot(222), plt.imshow(mask, 'gray') plt.subplot(223), plt.imshow(masked_img, 'gray') plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask) plt.xlim([0, 256]) plt.show()
4.2 直方圖均衡化
如上圖，像素點都集中在一個地方，我們在不破壞其特征的前提下讓高瘦的分布變得矮胖一點，亮度什么的也就都會發(fā)生些變化。
注：這里的映射是 累積概率*取值范圍(255-0）
img = cv2.imread('./data/gd01.jpg',0) #0表示灰度圖 #clahe
plt.hist(img.ravel(),256);
plt.show()
equ = cv2.equalizeHist(img) plt.hist(equ.ravel(),256) plt.show()
res = np.hstack((img,equ))
cv_show('res',res)
圖片比之前亮一些了。
4.3 自適應直方圖均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
res_clahe = clahe.apply(img)
res = np.hstack((img,equ,res_clahe))
cv_show('res',res)
五、傅里葉變換
我們生活在時間的世界中，早上7:00起來吃早飯，8:00去擠地鐵，9:00開始上班...
以時間為參照就是時域分析，但是在頻域中一切都是靜止的！
傅里葉變換的作用
- 高頻：變化劇烈的灰度分量，例如邊界
- 低頻：變化緩慢的灰度分量，例如一片大海
濾波
- 低通濾波器：只保留低頻，會使得圖像模糊
- 高通濾波器：只保留高頻，會使得圖像細節(jié)增強
opencv中主要就是cv2.dft()和cv2.idft()，輸入圖像需要先轉換成np.float32 格式
得到的結果中頻率為0的部分會在左上角，通常要轉換到中心位置，通過shift變換。
cv2.dft()返回的結果是雙通的(實部，虛部)，通常還需要轉換成圖像格式才能展示(0，255)。
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('./data/gd06.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
img = cv2.imread('./data/gd06.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 低通濾波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show() 
img = cv2.imread('./data/gd06.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 高通濾波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
# IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show() 
六、模板匹配
模板匹配和卷積原理很像，模板在原圖像上從原點開始滑動，計算模板與（圖像被模板覆蓋的地方）的差別程度，這個差別程度的計算方法在opencv里有6種，然后將每次計算的結果放入一個矩陣里，作為結果輸出。
假如原圖形是AxB大小，而模板是axb大小，則輸出結果的矩陣是(A-a+1)x(B-b+1)
img = cv2.imread('./data/gd04.jpg', 0)
template = cv2.imread('./data/gd_face.jpg', 0)
h, w = template.shape[:2] 
它們的關系就是(A-a+1)x(B-b+1)
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
- TM_SQDIFF：計算平方不同，計算出來的值越小，越相關
- TM_CCORR：計算相關性，計算出來的值越大，越相關
- TM_CCOEFF：計算相關系數(shù)，計算出來的值越大，越相關
- TM_SQDIFF_NORMED：計算歸一化平方不同，計算出來的值越接近0，越相關
- TM_CCORR_NORMED：計算歸一化相關性，計算出來的值越接近1，越相關
- TM_CCOEFF_NORMED：計算歸一化相關系數(shù)，計算出來的值越接近1，越相關
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# res.shape 為(139, 458)
# 最小值最大值及其坐標位置 因為用的cv2.TM_SQDIFF 所以越小越好
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) 
比如我要用到的圖像和臉：
for meth in methods:
img2 = img.copy()
# 匹配方法的真值
method = eval(meth)
print (method)
res = cv2.matchTemplate(img, template, method)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 如果是平方差匹配TM_SQDIFF或歸一化平方差匹配TM_SQDIFF_NORMED，取最小值
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
# 畫矩形
cv2.rectangle(img2, top_left, bottom_right, 255, 2)
plt.subplot(121), plt.imshow(res, cmap='gray')
plt.xticks([]), plt.yticks([]) # 隱藏坐標軸
plt.subplot(122), plt.imshow(img2, cmap='gray')
plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()
匹配多個對象
能匹配一個當然也能匹配多個：
img_rgb = cv2.imread('./data/mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('./data/mario_coin.jpg', 0)
h, w = template.shape[:2]
res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐標
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]): # *號表示可選參數(shù)
bottom_right = (pt[0] + w, pt[1] + h)
cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)
cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)
匹配金幣：
總結
到此這篇關于openCV入門學習基礎教程的文章就介紹到這了,更多相關openCV第三篇內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了python 匿名函數(shù)與三元運算的相關資料，幫助大家更好的理解和學習python 編程，感興趣的朋友可以了解下2020-10-10
本文通過代碼給大家介紹了python 將print輸出的內容保存到txt文件中,代碼很簡短，需要的朋友可以參考下2018-07-07
這篇文章主要介紹了python將紅底證件照轉成藍底,本文給大家分享四種方法通過示例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-08-08
在本篇文章里小編給大家分享了關于PyCharm中代碼字體大小調整方法以及相關知識點，需要的朋友們學習下。2019-07-07
今天小編就為大家分享一篇tensorflow 保存模型和取出中間權重例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
很多網站在用戶注冊賬號的時候為了保證賬戶的安全,都會自動檢測用戶密碼的強度并給出提醒讓用戶設置一個相對安全的密碼。這篇文章主要給大家介紹了關于利用Python判斷你的密碼難度等級,需要的朋友可以參考下2021-06-06
今天小編就為大家分享一篇Python OpenCV對本地視頻文件進行分幀保存的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01
這篇文章主要介紹了基于Python解密仿射密碼,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-10-10
python中numpy.empty()函數(shù)實例講解
在本篇文章里小編給大家分享的是一篇關于python中numpy.empty()函數(shù)實例講解內容，對此有興趣的朋友們可以學習下。2021-02-02
爬蟲的基礎內容已經全部學玩,博主決定想著更加標準化以及實用能力更強的scrapy進發(fā),今天記錄自己第一個scrapy爬蟲項目. scrapy爬取起點中文網24小時熱銷榜單,需要的朋友可以參考下2021-06-06