1.基本語法

src = cv.imread("E:\\1.jpg")? ? ? ?//獲取圖片位置

cv.namedWindow("Image"疚鲤，cv.WINDOW_AUTOSIZE)? ?//命名顯示窗口并設(shè)置屬性

cv.imshow("Image",img)? ?//顯示窗口并將圖片顯示

cv.waitKey(0)? //等待輸入響應(yīng)

cv.destroyAllWindows()? ?//銷毀窗口

2.圖像加載與保存

圖片屬性? ?

1.通道數(shù)目

2.高寬

3.像素數(shù)據(jù)

4.圖像類型

圖片屬性獲取

print(type(image))? ? ? ? ? //顯示image類型

print(image.shape)? ? ? ? //顯示圖片寬高和通道數(shù)

print(image.size)? ? ? ? ? ? //顯示總像素數(shù)據(jù)大小

print(image.dtype)? ? ? ? ? ? ?//通道所占位數(shù)

攝像頭獲取

capture=cv.VideoCapture(0)? ? ?//獲取視頻

while(True):

ret, frame=capture.read()? ? ? ? ? //調(diào)用攝像頭

frame=cv.flip(frame,1)? ? ? ? ? ? ? ? //鏡像調(diào)整

cv.imshow("video",frame)? ? ? ? ? ?//顯示窗口

c=cv.waitKey(50)

if c==27:

break

保存圖片

cv.imwrite("E:/result.png",img)? ? ? //將img保存在路徑下并命名與格式

3.Numpy數(shù)組操作

包介紹詳細? ?www.numpy.org

作用：

遍歷數(shù)組中的每個像素點

修改數(shù)組中像素點的值

data\dtype\size\shape\len

遍歷圖像像素

def access_pixels(image):

print(image.shape)

height=image.shape[0]

width=image.shape[1]

channel=image.shape[2]

print("width:%s,height:%s,channels:%s"%(width,height,channel))

for rowin range(height):

for colin range(width):

for cin range(channel):

pv = image[row, col, c]

image[row,col,c]=255-pv

cv.imshow("pixels_demo",image)

注：對于上述操作可以用像素取反函數(shù)完成

def inverse(image):

dst=cv.bitwise_not(image)? ?//像素取反

cv.imshow("show",dst)

初始化圖片

np.zeros([400,400,3],np.uint8)? ?//初始化0

np.ones([400,400])*255? ? ? ?//初始化1

fill(122)? ? ? ? ? //填充數(shù)組

reshape([1,9])? ? ? //改變數(shù)組形狀

4.色彩空間

相關(guān)概念

RGB系草，HSV, HIS,YCrCb, YUV

代碼檢測：

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)

cv.imshow("gray",gray)

hsv=cv.cvtColor(image,cv.COLOR_BGR2HSV)

cv.imshow("hsv",hsv)

yuv = cv.cvtColor(image, cv.COLOR_BGR2YUV)

cv.imshow("yuv", yuv)

Ycrcb = cv.cvtColor(image, cv.COLOR_BGR2YCrCb)

cv.imshow("Ycrcb", Ycrcb)

色彩空間轉(zhuǎn)換API

用inRange處理

獲取視頻中的藍色：

capture = cv.VideoCapture("E:\\test.mp4")

while(True):

ret, frame = capture.read()

if ret ==False:

break

? ? hsv=cv.cvtColor(frame, cv.COLOR_BGR2HSV)

lower=np.array([100,43,46])

upper=np.array([124,255,255])#藍色區(qū)域范圍

? ? mask=cv.inRange(hsv,lowerb=lower,upperb=upper)? ??

cv.imshow("mask",mask)

cv.imshow("video", frame)

c = cv.waitKey(40)

if c ==27:

break

分離與合并通道

r,g,b= cv.split(src)? #分離

cv.imshow("blue",b)

cv.imshow("green",g)

cv.imshow("red",r)

cv.merge([r,g,b])? #合并

5.像素運算

算術(shù)運算?

加減乘除——調(diào)節(jié)亮度，對比度

def add_demo(m1,m2):

dst = cv.add(m1, m2)? ? ? ? ? ?#加

cv.imshow("add", dst)

def subtract_demo(m1,m2):

dst = cv.subtract(m1, m2)? ? ? ? ? ? #減

cv.imshow("substract", dst)

def divide_demo(m1,m2):

dst = cv.divide(m1, m2)? ? ? ? ? ?#除

cv.imshow("divide", dst)

def multiply_demo(m1,m2):

dst = cv.multiply(m1, m2)? ? ? ? ? ?#乘

cv.imshow("multiply", dst)

注：mean（src）? ?#求均值

M,dev? =? ?meanStdDev(src)? ? ? ? #返回均值和方差(對比度）

邏輯運算

與或非——遮罩層控制

dst = cv.bitwise_and(m1, m2)? ? ?#與

dst = cv.bitwise_or(m1, m2)? ? ? #或

dst = cv.bitwise_not(m1)? ? ? #非

調(diào)整亮度對比度

#調(diào)整對比度與亮度 c：對比度伴逸，b：亮度

def contract_brightness_demo(image,c,b):

h,w,ch=image.shape

blank=np.zeros([h,w,ch],image.dtype)? ? ? ? ? ? ? ?#調(diào)整亮度對比度

dst=cv.addWeighted(image,c,blank,1-c,b)

cv.imshow("con_bri_demo", dst)

6.ROI與泛洪填充

注：ROI：所選處理區(qū)域

#改變圖片某區(qū)域顏色

face= src[50:250,100:300]

gray=cv.cvtColor(face,cv.COLOR_BGR2GRAY)

backface=cv.cvtColor(gray,cv.COLOR_GRAY2BGR)

face= src[50:250,100:300]=backface?

cv.imshow("face",src)

泛洪填充

def fill_color_demo(image):

copyImg=image.copy()

h,w=image.shape[:2]

mask= np.zeros([h+2,w+2],np.uint8)

cv.floodFill(copyImg,mask,(30,30),(0,255,255),(100,100,100),(50,50,50), cv.FLOODFILL_FIXED_RANGE)? ? ? #改變圖像? ?泛洪填充

cv.imshow("fill_color",copyImg)

def fill_binary():

image=np.zeros([400,400,3],np.uint8)

image[100:300 , 100:300 , :] =255

? ? cv.imshow("fill_binary",image)

mask=np.ones([402,402,1],np.uint8)

mask[101:301,101:301] =0

? ? cv.floodFill(image,mask,(200,200),(0,0,255),cv.FLOODFILL_MASK_ONLY)? ? ? ??

#不改變圖像? ?只填充遮罩層

cv.imshow("filled binary",image)

floodFill（）

floodFill(Mat image,Mat mask,Point seedPoint,Scalar newVal)

floodFill(image, mask, seedpoint ,newVal,rect,loDiff,upDiff,flags)

src(seed.x,seed.y)-loDiff<=src(x,y)<=src(seed.x,seed.y)+upDiff合并圖像

作用：合并圖像

7.模糊操作

均值模糊奸绷，中值模糊狡耻，自定義模糊

模糊是卷積的一種表象

dst=cv.blur(image,(15,1))? ? ? ? ? #x方向15像素卷積，y方向1像素卷積咐低，不模糊

dst=cv.medianBlur(image,5)? ? ? ? ?#中值模糊? ?常用于去燥點

kernel=np.ones([5,5],np.float32)/25

dst=cv.filter2D(image,-1,kernel=kernel)? ? ? ? ? ?#自定義模糊

高斯模糊

def clamp(pv):

if pv>255:

return 255

? ? if pv<0:

return 0

? ? else:

return pv

高斯模糊原理代碼

def gaosi_noise(image):

h,w,c = image.shape

for rowin range(h):

for colin range(w):

s=np.random.normal(0,20,3)

b=image[row,col,0]#blue

? ? ? ? ? ? g=image[row,col,1]#green

? ? ? ? ? ? r=image[row,col,2]#red

? ? ? ? ? ? image[row,col,0] = clamp(b+s[0])

image[row,col,1] = clamp(g+s[1])

image[row,col,2] = clamp(r+s[2])

cv.imshow("noise image",image)

API內(nèi)置函數(shù)

dst=cv.GaussianBlur(src,(0,0),15)? ? ? ? ? #0*0高斯模糊? ? ?

8.邊緣保留濾波（EPF）

高斯雙邊，均值遷移袜腥，操作

雙邊模糊：

dst=cv.bilateralFilter(image,0,100,15)? ? ? ? ? ??

均值遷移：

dst=cv.pyrMeanShiftFiltering(image,10,50)

作用：美顏见擦，磨皮美白

9.圖像直方圖（待學(xué)）

10.模塊匹配

在整個圖像區(qū)域發(fā)現(xiàn)與給定子圖像匹配的小塊區(qū)域

模板匹配算法

算法種類

算法公式

通過三種算法匹配

def template_demo():

tpl=cv.imread("E:\\3.png")? ? ?#要匹配的圖片

target=cv.imread("E:\\2.png")? ? ? ? ? #總的大圖片

cv.imshow("tpl",tpl)

cv.imshow("target",target)

method=[cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]

th,tw=tpl.shape[:2]

for mdin method:

print(md)

result=cv.matchTemplate(target,tpl,md)

min_val,max_val,min_loc,max_loc=cv.minMaxLoc(result)

if md==cv.TM_SQDIFF_NORMED:

tl=min_loc

else:

tl=max_loc

br =(tl[0]+tw,tl[1]+th)

cv.rectangle(target,tl,br,(0,0,255),2)

cv.imshow("match-"+np.str(md),target)

11.圖像二值化

二值圖像（Binary Image）， 二值化方法

二值化方法：

全局閾值瞧挤，局部閾值

全局閾值：

OTSU方法閾值

def threshold_demo(image):

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)

ret, binary=cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU)? ? ?

#0,255表示偏向的兩極

print("threshold value %s"%ret)

cv.imshow("binary",binary)

cv.THRESH_TRIANGLE方法

局部閾值：

def local_threshold_demo(image):

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)

binary=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,25,10)

#ADAPTIVE_THRESH_MEAN_C方法

#還有ADAPTIVE_THRESH_GAUSSIAN_C方法

cv.imshow("binary",binary)

自定義：

def custom_threshold_demo(image):

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)

h,w=gray.shape[:2]

m=np.reshape(gray,[1,w*h])

mean=m.sum()/(w*h)

print("mean:",mean)

ret,binary=cv.threshold(gray,mean,255,cv.THRESH_BINARY)

cv.imshow("binary",binary)

超大圖片二值化

def image_big_binary(image):

print(image.shape)

cw =256

? ? ch =256

? ? h,w=image.shape[:2]

gray =cv.cvtColor(image,cv.COLOR_BGR2GRAY)

for rowin range(0,h,ch):

for colin range(0,w,cw):

roi = gray[row:row+ch,col:cw+col]

ret,dst = cv.threshold(roi, 0, 255, cv.THRESH_BINARY| cv.THRESH_OTSU)

gray[row:row+ch,col:cw+col] =dst

print(np.std(dst),np.mean(dst))

cv.imshow("gray",gray)

12.圖像金字塔

高斯金字塔 與拉普拉斯金字塔锡宋，圖像金字塔原理

圖像金字塔原理? ? ? ? ?reduce=高斯模糊+降采樣

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? expand=擴大+卷積

PyrDown：降采樣

PyrUp：還原

13.圖像梯度

一階導(dǎo)數(shù)與Sobel算子，二階導(dǎo)數(shù)和拉普拉斯算子

Sobel算子

def soble_demo(image):

grad_x = cv.Sobel(image,cv.CV_32F,1,0)? ? ? ? ?//Sobel算子提取邊緣

grad_y = cv.Scharr(image,cv.CV_32F,0,1)? ? ? ? ? ?//Scharr是Sobel算子加強版

gradx=cv.convertScaleAbs(grad_x)

grady=cv.convertScaleAbs(grad_y)

cv.imshow("grad_x",gradx)

cv.imshow("grad_y",grady)

gradxy = cv.addWeighted(gradx,0.5,grady,0.5,0)

cv.imshow("grad",gradxy)

拉普拉斯算子

def lapilian_demo(image):

#dst = cv.Laplacian(image,cv.CV_32F)? ? ? ?#拉普拉斯算子

#lpls = cv.convertScaleAbs(dst)

? ? kernel= np.array([[1,1,1],[1,-8,1],[1,1,1]])

dst=cv.filter2D(image,cv.CV_32F,kernel=kernel)

lpls=cv.convertScaleAbs(dst)

cv.imshow("lapl",lpls)

邊緣提取

canny算法邊緣檢測算法

高斯模糊特恬，灰度轉(zhuǎn)換执俩，計算梯度，非最大信號抑制癌刽，高低閾值鏈接

def canny_demo(image):

blur=cv.GaussianBlur(image,(3,3),0)

gray=cv.cvtColor(blur,cv.COLOR_BGR2GRAY)

xgrad=cv.Sobel(gray,cv.CV_16SC1,1,0)

ygrad=cv.Sobel(gray,cv.CV_16SC1,0,1)

edge_output=cv.Canny(xgrad,ygrad,50,150)? ? ? ? ? ?

#50為低閾值役首，150為高閾值，高一版是低的三倍或兩倍

cv.imshow("Edge",edge_output)

dst=cv.bitwise_and(image,image,mask=edge_output)

cv.imshow("Color_edge",dst)

14.直線檢測

霍夫直線變換檢測

def line_detection(image):

gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)

edges=cv.Canny(gray,50,150,apertureSize=3)

lines=cv.HoughLines(edges,1,np.pi/180,200)

for linein lines:

print(type(lines))

rho,theta = line[0]

a=np.cos(theta)

b=np.sin(theta)

x0=a*rho

y0=b*rho

x1=int(x0+1000*(-b))

y1=int(y0+1000*(a))

x2=int(x0-1000*(-b))

y2=int(y0-1000*(a))

cv.line(image,(x1,y1),(x2,y2),(0,0,255),2)

cv.imshow("lines",image)

def line_possible(image):

gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

edges = cv.Canny(gray, 50, 150, apertureSize=3)

lines = cv.HoughLinesP(edges, 1, np.pi /180, 100,minLineLength=50,maxLineGap=10)

for linein lines:

x1,y1,x2,y2=line[0]

cv.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)

cv.imshow("lines_possible", image)

15.圓檢測

霍夫圓檢測

首先對圖像進行中值濾波

1.檢測邊緣显拜，發(fā)現(xiàn)可能圓心? ? 2.基于第一步開始計算最佳半徑大小

def circle_demo(image):

dst=cv.pyrMeanShiftFiltering(image,10,100)

gary=cv.cvtColor(dst,cv.COLOR_BGR2GRAY)

circle=cv.HoughCircles(gary,cv.HOUGH_GRADIENT,1,50,param1=50,param2=30,minRadius=0,maxRadius=0)

#調(diào)整50這個參數(shù)根據(jù)具體情況調(diào)整

circle=np.uint16(np.around(circle))

for iin circle[0,:]:

cv.circle(image,(i[0],i[1]),i[2],(0,0,255),2)

cv.circle(image,(i[0],i[1]),2,(0,0,255),2)

cv.imshow("circle",image)

16.輪廓檢測

findContours發(fā)現(xiàn)輪廓

drawContours繪制輪廓

用梯度避免閾值煩惱

def contours_demo(image):

dst=cv.GaussianBlur(image,(3,3),0)

gray=cv.cvtColor(dst,cv.COLOR_BGR2GRAY)

ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)

cv.imshow("binary",binary)

cloneImg,contours,heriachy=cv.findContours(binary,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)

for i,contourin enumerate(contours):

cv.drawContours(image,contours,i,(0,0,255),2)

#填充輪廓最后的2改成-1

print(i)

cv.imshow("contours",image)

17.對象檢測

弧長面積衡奥，多邊形擬合，幾何矩計算

def measure_object(image):

dst = cv.GaussianBlur(image, (3, 3), 0)

gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)

ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY_INV | cv.THRESH_OTSU)

print("threshold value %s"%ret)

cv.imshow("binary",binary)

dstt = cv.cvtColor(binary, cv.COLOR_GRAY2BGR)

outImg,contours,hireachy=cv.findContours(binary,cv.RETR_TREE,cv.CHAIN_APPROX_SIMPLE)

for i,contourin enumerate(contours):

#cv.drawContours(image, contours, i, (0, 0, 255), 2)

? ? ? ? area = cv.contourArea(contour)

print("area",area)

x, y, w, h = cv.boundingRect(contour)

mm = cv.moments(contour)

print(type(mm))

cx = mm['m10']/mm['m00']

cy = mm['m01']/mm['m00']#找到重心

? ? ? ? cv.circle(image,(np.int(cx),np.int(cy)),3,(0,255,255),-1)

#cv.rectangle(image, (x, y), (x+w), (x+h), (0, 0, 255), 2)

? ? ? ? approxCurve = cv.approxPolyDP(contour, 10, True)? ? ? ? ? ?#逼近邊數(shù)

if approxCurve.shape[0] ==3:

cv.drawContours(dstt, contours, i, (0, 255, 0), 2)

if approxCurve.shape[0]==4:

cv.drawContours(dstt, contours, i, (0, 0, 255), 2)

if approxCurve.shape[0] >4:

cv.drawContours(dstt, contours, i, (255, 0, 0), 2)

print(approxCurve.shape)

cv.imshow("measure", dstt)