python+opencv学习day01

2021-06-05 19:01:22 阅读：216 来源： 互联网

标签：src python day01 jpg cat opencv LEARN imread cv

跟着b站的教程学习链接：https://www.bilibili.com/video/BV1RQ4y1R7M6?p=6
内容基本按照教程走，进行了一些简单的注释和总结。
无原理解释，默认学过
1.读取和处理
图片读取

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)  # opencv读取文件的路径不能有中文名
# src =img[0:50, 0:200]  # 截取图像中的一部分
b, g, r = cv.split(src)
# cv.IMREAD_GRAYSCALE 转灰度图像
cv.namedWindow("cat and girl", cv.WINDOW_AUTOSIZE)
cv.imshow("cat and girl", src)
cv.waitKey(0)  # 等待事件触发，参数0表示指令发出后立即执行。本题是按任意键执行destroyAllWindows
cv.destroyAllWindows()  # 释放窗口
cv.imwrite()

视频读取

video_test01 = cv.VideoCapture("D:/ALL_LEARN/video/test01.mp4")
# 检查是否能打开
if video_test01.isOpened():
    open, frame = video_test01.read()
else:
    open = False
while open:
    ret, frame = video_test01.read()
    if frame is None:
        break
    # if ret == True:
    if ret:
        gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)  # 转灰度图
        cv.imshow("result", gray)
        if cv.waitKey(10) & 0xFF == 27:  # 27表示键盘中退出键Esc, 10表示功能运行速度
            break
video_test01.release()
cv.destroyAllWindows()

2.ROI区域（兴趣区域）

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)  
# b, g, r = cv.split(src)
# src = cv.merge(b, g, r)  # 转回rgb图
cur_src = src.copy()
cur_src[:, :, 0] = 0  # 前两个":"表示取所有像素点
cur_src[:, :, 1] = 0  # BGR 分表用012代表，各通道置0
cv.imshow("R", cur_src)
cv.waitKey(0)
cv.destroyAllWindows()
cv.imwrite()

3.边界填充

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
replicate = cv.copyMakeBorder(src, 50, 50, 50, 50, borderType=cv.BORDER_CONSTANT)
cv.imshow("R", replicate)
cv.waitKey(0)
cv.destroyAllWindows()
cv.imwrite()
# BORDER_REPLICATE:复制边缘像素
# BORDER_CONSTANT常量法，常数值填充，value=0,
# BORDER_REFLECT:反射法，fedcba|abcdef|fedcba
# BORDER_REFLECT_101:反射法：fedcba|bcdef|edcba

4.数值计算

# img_dog = cv.imread("dog.jpg")
# img_cat = cv.imread("cat.jpg")
# img_cat1 = img_cat + 10  # 所有值+10
# img_cat[:5, :, 0]  # 打印前五行
# cv.add(img_cat, img_dog)  # 像素点相加，大于255置255
# cv.resize(img_cat, (0, 0), fx=2, fy=1)  # 重新设置大小
# cv.addWeighted(img_cat, 0.2, img_dog, 0.6)  # 图像融合
ctrl+/取消注释

5.图像阈值

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
ret, dst = cv.threshold(src, 127, 255, type=cv.THRESH_TOZERO)
cv.imshow("R", dst)
cv.waitKey(0)
cv.destroyAllWindows()
# src:输入图，单通道，灰度图
# dst:输出图、thresh:阈值，maxval:像素值超过阈值后所赋予的值
# type：二值化类型，加上INV就是其反转
# type=cv.THRESH_BINARY超过阈值部分取maxval,否则取0
# cv.THRESH_BINARY_INV超过阈值部分取0,否则取maxval
# THRESH_TOZERO大于阈值不变，否则取0
# THRESH_TRUNC:大于设为阈值，否则不变
# THRESH_MASK：不支持，未找到相关用法，尝试后全黑
# TOZERO:大于阈值不变，小于为0

6.图像平滑处理

# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
mean = cv.blur(src, (3, 3))
cv.imshow("mean", mean)
cv.waitKey(0)
cv.destroyAllWindows()
"""
1.均值滤波 
取滤波器均值
cv.blur(src,(3,3))
2.方框滤波
加入归一化
cv.boxFilter(src,-1,(3,3),normalize=False)
-1表示通道数一致
False表示不归一化，大于255取255
3.高斯滤波
构造权重矩阵
cv.GaussianBlur(src,(3,3),1)
4.中值滤波
找到均值后作为当前值
medianBlur
展示所有
res =np.hstack((,,,))
print(res)
imshow(res)
"""

7.形态学

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
kernel = np.ones((5, 5), np.uint8)
erosion = cv.erode(src, kernel, iterations=1)
cv.imshow("erosion", erosion)
cv.waitKey(0)
cv.destroyAllWindows()
"""
1.腐蚀
kernel =no.ones((5,5),np.uint8) # 核大小决定每次腐蚀面积的大小
erosion=cv.erode(src,kernel,iterations=2)#iterations迭代次数
2.膨胀
dilate=cv.dilate(src,kernel,iterations=2)#iterations迭代次数
3.开闭运算
开运算：先腐蚀后膨胀
闭运算：先膨胀后腐蚀
open = cv.morphologyEx(src,cv.MORPH_OPEN,kernel)
close = cv.morphologyEx(src,cv.MORPH_CLOSE,kernel)
"""

8.梯度计算

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
kernel = np.ones((5, 5), np.uint8)
sobel_x = cv.Sobel(src, cv.CV_64F, 1, 0, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)  # 数值转换
cv.imshow("sobel_x", sobel_x)
cv.waitKey(0)
cv.destroyAllWindows()
"""
1.Sobel算子：[(-1 0 1)(-2 0 2)(-1 0 1)]
cv.Sobel(src,ddepth,dx,dy,ksize)
sobel_x=cv.Sobel(src,cv.CV_64F,1,0,ksize=3)
#计算dx，ddepth一般为-1，CV_64F可以表示负数的形式，然后取绝对值
sobel_x=cv.convertScaleAbs(sobel_x)#数值转换
#白到黑为正，黑到白为负，负数会被截断为0，需要取正
2.梯度计算方法
先计算dx，dy，再进行叠加（分开计算结果更好，为什么？）
sobelxy=cv.addWeighted(sobelx,0.5,sobely,0.5)
3.Scharr算子[(-3 0 3)(-10 0 10)(-3 0 3)]
对于sobel,对结果更敏感，头发线条的梯度信息也会捕捉到
4.laplacian[(0 1 0)(1 -4 1)(0 1 0)]
但同时对噪声点也敏感
"""

9.边缘检测

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
src = src[200:500, 200:500]
v1 = cv.Canny(src, 80, 150)  # 80,150双阈值检测的阈值minVal，越小获得的边界越多
v2 = cv.Canny(src, 50, 100)
res = np.hstack((v1, v2))  # vstack
# takes 1 positional argument but 2 were given   (())
cv.imshow("res", res)
cv.waitKey(0)
cv.destroyAllWindows()
"""
Canny边缘检测
1.使用高斯滤波，去噪
2.计算每个像素点梯度和方向，sobel算子。
3.应用非极大值(Non-Maximum Suppression)抑制，消除杂散响应
极大值抑制：同一目标获得多个结果，取概率最大的结果
  1.线性插值法：亚像素点梯度的值为临近两点的均值(有权重)
  2.把一个像素的梯度离散为八个方向进行计算
4.双阈值检测边缘：进一步过滤，获得真实的边界
5.抑制鼓励弱边缘
"""

标签：src,python,day01,jpg,cat,opencv,LEARN,imread,cv
来源： https://blog.csdn.net/lzmsxf/article/details/117599289

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

python+opencv学习day01