Python+OpenCV学习笔记

此次学习的是csdn学院中《Python+OpenCV计算机视觉》，比较基础，适合初学者。

第一次尝试以博客形式来记录学习笔记，督促自己，提升自我，供自己和大家学习。

---

目录

图像的读取、显示和保存

图像处理基础

图像运算

类型转换

几何变换

图像阈值

图像平滑处理

形态学处理

图像梯度

Canny边缘检测

图像金字塔

图像轮廓

直方图

傅里叶变换

总结

---

图像的读取、显示和保存

1.读入图像

• retval = cv2.imread(文件名，[显示控制参数])

2.显示图像

• None = cv2.imshow(窗口名，图像名)

• retval = cv2.waitKey(delay)    #delay>0 : 等待delay毫秒    delay<0 : 等待键盘单击    delay=0 : 无限等待

• cv2.destroyAllWindows()    # 删除所有窗口

3.保存图像

• retval = cv2.imwrite(文件地址，文件名)

范例：

import cv2

i = cv2.imread(".\he.jpg")

cv2.imshow("he",i)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.imwrite(".\me.jpg", i)

图像处理基础

像素处理

1.读取像素

• 返回值 = 图像(位置参数)   

• 灰度图像，返回灰度值

• BGR图像，返回值为B、G、R的值

2.修改像素

• 灰度图像    img[66,66] = 255
• BGR图像    img[66,66,0] = 255 \ img[66,66] = [255,255,255]

范例：

import cv2

i = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)
print(i[100,100])

i[100,100] = [255,255,255]
print(i[100,100])

使用numpy进行像素处理

1.读取像素

• 返回值 = 图像.item(位置参数)
• 灰度图像，返回值灰度值    p = img.item(66,66)
• BGR图像，返回值为B、G、R的值    blue = img.item(66,66,0)

2.修改像素值

• 图像名.itemset(位置，新值)
• 灰度图像 ： img.itemset((66,66),255)
• BGR图像 ： img.itemset((66,66,0),255)

范例：

import cv2
import numpy

i = cv2.imread(".\me.bmp",cv2.IMREAD_UNCHANGED)
print(i.item(33,33,0))

i.itemset((33,33,0),255)
print(i.item(33,33,0))

获取图像属性

1.形状：行、列、通道数

• shape 可以获取图像的形状，返回包含行数，列数，通道数的元组。
• 灰度    返回：行数，列数

import cv2

img1 = cv2.imread(".\he.jpg",cv2.THRESH_BINARY)

print(img1.shape)

##(336, 449)

• 彩色    返回：行数，列数，通道数

import cv2

img2 = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

print(img2.shape)

##(336, 449, 3)

2.像素数目

• size 可以获取图像的像素数目。
• 灰度    返回：行数*列数

import cv2

img1 = cv2.imread(".\he.jpg",cv2.THRESH_BINARY)

print(img1.size)

##150864

• 彩色    返回：行数*列数*通道数

import cv2

img2 = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

print(img2.size)

##452592

3.图像的数据类型

• dtype 返回的是图像的数据类型

import cv2

img = cv2.imread(".\he.jpg",cv2.THRESH_BINARY)

print(img.dtype)

##uint8

感兴趣区域ROI

• ROI（region of interest），感兴趣区域。

• 从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区。

• 可以通过各种算子（Operator）和函数来求得感兴趣区域ROI,并进行图像的下一步处理。

范例：

import cv2
import numpy as np

a = cv2.imread(".\he.jpg")

b = np.ones((101,101,3))

b = a[100:300,200:400]

c = a
c[0:200,0:200] = b

cv2.imshow("original",a)
cv2.imshow("face",b)
cv2.imshow("face2",c)

cv2.waitKey(0)
cv2.destroyAllWindows()

通道的拆分和合并

• 拆分通道

• 合并

范例：

import cv2
import numpy

img = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

b = img[:,:,0]
g = img[:,:,1]
r = img[:,:,2]

b1, g1, r1 = cv2.split(img)

m = cv2.merge([b,g,r])

cv2.imshow("b",b)
cv2.imshow("b1",b1)
cv2.imshow("m",m)

cv2.waitKey()
cv2.destroyAllWindows()

图像运算

加法运算

1.Numpy加法

• 取模加法    结果 = (图像1像素值 + 图像2像素值) % 255

2.OpenCV加法

• 饱和运算    结果 = cv2.add(图像1，图像2)
•                    像素值<=255 图像1+图像2
•                    像素值 > 255 取值255

注意的问题：参与运算的图像大小、类型必须一致

范例：

import cv2
import numpy

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)
b = a

result1 = a + b
result2 = cv2.add(a,b)

cv2.imshow("original",a)
cv2.imshow("result1",result1)
cv2.imshow("result2",result2)

cv2.waitKey()
cv2.destroyAllWindows()

图像融合

• 将2张或2张以上的图像信息的融合到1张图像上

• 融合的图像含有更多的信息、能够更方便人来观察或者计算机处理

• 图像加法：    结果图像 = 图像1 + 图像2
•                       img = img1 + img2
• 图像融合：    结果图像 = 图像1*系数1 + 图像2*系数2 + 亮度调节量
•                       img = img1*0.3 + img2*0.7 + 18
• 函数addWeighted
• dst = cv2.addWeighted(src1, alpha, src2, beta, gamma)
• dst = src1 *alpha + src2*beta + gamma
• 参数gamma不能省略

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)
b = a

result3 = cv2.addWeighted(a,1,b,1,0)

cv2.imshow("original",a)
cv2.imshow("result3",result3)

cv2.waitKey()
cv2.destroyAllWindows()

类型转换

• OpenCV提供了200多种不同类型之间的转换

• cv2.COLOR_BGR2GRAY
• cv2.COLOR_BGR2RGB
• cv2.COLOR_GRAY2BGR
• ......

范例：彩色变灰度

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)
b = cv2.cvtColor(a,cv2.COLOR_BGR2GRAY)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

几何变换

图像缩放

• resize函数
• dst = cv2.resize(src, dsize, dst, fx, fy, interpolation)
• src    原始图像
• dsize    缩放大小
•             b = cv2.resize(a, (122,122))        #dsize  表示  (列数，行数)
• fx, fy    放缩大小
•             b = cv2.resize(a, None, fx=0.5, fy=0.7)

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)
rows,cols = a.shape[:2]
b = cv2.resize(a, (round(cols*0.5),round(rows*0.5)))

cv2.imshow("original",a)
cv2.imshow("resize",b)

cv2.waitKey()
cv2.destroyAllWindows()

图像旋转

• flip函数
• dst = cv2.flip(src, flipCode)
• flipCode = 0    以X轴为对称轴翻转
• flipCode > 0    以Y轴为对称轴翻转
• flipCode < 0    在X轴、Y轴方向同时翻转

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

b = cv2.flip(a,0)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

图像阈值

• threshold函数

• retval, dst = cv2.threshold(src, thresh, maxval, type)
• retval：阈值
• dst：处理结果
• src：源图像
• threshold：阈值
• maxval：最大值
• type：类型

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

r, b = cv2.threshold(a, 177, 255, cv2.THRESH_BINARY)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

图像平滑处理

均值滤波

• 函数blur
• 处理结果 = cv2.blur(原始图像， 核大小）

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

b = cv2.blur(a, (5, 5))

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

方框滤波

• 函数boxFilter
• 处理结果 = cv2.boxFilter（原始图像，目标图像深度，核大小，normalize属性）
• normalize属性：
• 

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

b = cv2.boxFilter(a, -1, (5, 5), normalize=1)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

高斯滤波

• 让临近的像素具有更高的重要度。对周围像素计算加权平均值，较近的像素具有较大的权重值。
• 函数GaussianBlur
• dst = cv2.GaussianBlur(src, ksize, sigmaX)
• ksize : 核大小(N, N)，N必须为奇数
• sigmaX : X方向方差，控制权重

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

b = cv2.GaussianBlur(a,(3,3),0)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

中值滤波

• 让邻近的像素按照大小排列，去排序像素几种位于中间位置的值作为中值滤波后的像素值。
• 函数medianBlur
• dst = cv2.medianBlur(src, ksize)
• kszie : 核大小，必须是比1大的奇数，如3，5，7等

范例：

import cv2

a = cv2.imread(".\he.jpg",cv2.IMREAD_UNCHANGED)

b = cv2.medianBlur(a,3)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

图像腐蚀

• 形态学转换主要针对的是二值图像。
• 两个输入对象：二值图像；卷积核
• 卷积核的中心点逐个像素扫描原始图像。
• 被扫描的原始图像中的像素点，只有当卷积核对应的元素均为1时，其值才为1，否则值为0。
• 函数erode
• dst = cv2.erode(src, kernel, iterations)
• kernel : 源图像
• iterations : 迭代次数

范例：

import cv2
import numpy as np

a = cv2.imread(".\erode.jpg",0)

kernel = np.ones((50,50),np.uint8)
b = cv2.erode(a,kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

形态学处理

图像膨胀

• 是腐蚀操作的逆操作。
• 图像被腐蚀后，去除了噪声，但是会压缩图像。
• 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并保持原有形状。
• 函数dilate
• dst = cv2.dilate(src, kernel, iterations)

范例：

import cv2
import numpy as np

a = cv2.imread(".\erode.jpg",0)

kernel = np.ones((50,50),np.uint8)
b = cv2.dilate(a,kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

开运算

• 图像被腐蚀后，去除了噪声，但是会压缩图像。
• 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并保持原有形状。
• 开运算（image）=膨胀（腐蚀（image））
• 函数morphologyEx
• opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
• cv2.MORPH_OPEN : 开运算

范例：

import cv2
import numpy as np

a = cv2.imread(".\opening.jpg",0)

kernel = np.ones((5,5),np.uint8)
b = cv2.morphologyEx(a, cv2.MORPH_OPEN, kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

闭运算

• 先膨胀，后腐蚀。
• 有助于关闭前景物体内部的小孔，或物体上的小黑点。
• 闭运算（image）=腐蚀（膨胀（image））
• 函数morphologyEx
• opening = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
• cv2.MORPH_CLOSE : 闭运算

范例：

import cv2
import numpy as np

a = cv2.imread(".\closing.jpg",0)

kernel = np.ones((5,5),np.uint8)
b = cv2.morphologyEx(a, cv2.MORPH_CLOSE, kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

梯度运算

• 梯度（image）=膨胀（image）- 腐蚀（image）
• 函数morphologyEx
• opening = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
• cv2.MORPH_GRADIENT : 梯度

范例：

import cv2
import numpy as np

a = cv2.imread(".\gradient.jpg",0)

kernel = np.ones((5,5),np.uint8)
b = cv2.morphologyEx(a, cv2.MORPH_GRADIENT, kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

礼帽运算

• 礼帽图像 = 原始图像 - 开运算
• 得到噪声图像
• 函数morphologyEx
• opening = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
• cv2.MORPH_TOPHAT : 礼帽

范例：

import cv2
import numpy as np

a = cv2.imread(".\tophat.jpg",0)

kernel = np.ones((5,5),np.uint8)
b = cv2.morphologyEx(a, cv2.MORPH_TOPHAT, kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

黑帽运算

• 黑帽图像 = 闭运算图像 - 原始图像
• 得到图像内部的小孔，或前景色中的小黑点
• 函数morphologyEx
• opening = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
• cv2.MORPH_BLACKHAT : 黑帽

范例：

import cv2
import numpy as np

a = cv2.imread(".\blackhat.jpg",0)

kernel = np.ones((5,5),np.uint8)
b = cv2.morphologyEx(a, cv2.MORPH_BLACKHAT, kernel)

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

图像梯度

Sobel算子

• 
• 函数Sobel
• dst = cv2.Sobel(src, ddepth, dx, dy, [ksize])
• ddepth : 处理结果图像深度。（通常情况下，可以将该参数的值设置为-1，让处理结果与原始图像保持一致）
•               实际操作中，计算梯度值可能会出现负数，所以，通常计算时，使用更高的数据类型cv2.CV_64F，
•               取绝对值后，再转换为np.uint8（cv2.CV_8V）类型。
• dx : x轴方向（计算x轴方向梯度，可设置为dx=1）
• dy : y轴方向（计算y轴方向梯度，可设置为dy=1）
• [ksize] : 核大小

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

b = cv2.Sobel(a, cv2.CV_64F, 1, 0)
b = cv2.convertScaleAbs(b)  #  转回uint8

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

Scharr算子

• 
• 使用3*3的sobel算子时，可能不太精确。
• scharr算子，效果更好。（和sobel差别在于卷积核系数不一样）
• 函数Scharr
• dst = cv2.Scharr(src, ddepth, dx, dy)

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

scharrx = cv2.Scharr(a, cv2.CV_64F, 1, 0)
scharry = cv2.Scharr(a, cv2.CV_64F, 0, 1)
scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)
b = cv2.convertScaleAbs(scharrxy)  #  转回uint8

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

Laplacian算子 

• 
• 函数Laplacian
• dst = cv2.Laplacian(src, ddepth)

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

b = cv2.Laplacian(a, cv2.CV_64F)
b = cv2.convertScaleAbs(b)  #  转回uint8

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

Canny边缘检测

• 去噪-梯度-非极大值抑制-滞后阈值

• 函数Canny
• edges = cv2.Canny(image, threshold1, threshold2)
• threshold1 : minVal阈值1
• threshold2 : maxVal阈值2 

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

b = cv2.Canny(a, 100, 200 )

cv2.imshow("original",a)
cv2.imshow("b",b)

cv2.waitKey()
cv2.destroyAllWindows()

图像金字塔

• 同一图像的不同分辨率的子图集合
• 向下取样：缩小图像
• 1.对图像Gi进行高斯核卷积
• 2.删除所有的偶数行和列
• 原始图像M*N → 处理结果 M/2*N/2
• 每次处理后，结果图像是原来的1/4
• 上述操作被称为：Octavc
• 向上取样：放大图像
• 在每个方向上扩大为原来的2被，新增的行和列以2填充
• 使用与“向下采样”同样的卷积核乘以4，获得“新增像素”的新值

向下取样

• dst = cv2.pyrDown(src)

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

b = cv2.pyrDown(a)
b1 = cv2.pyrDown(b)
b2 = cv2.pyrDown(b1)

cv2.imshow("original",a)
cv2.imshow("b",b)
cv2.imshow("b1",b1)
cv2.imshow("b2",b2)

cv2.waitKey()
cv2.destroyAllWindows()

向上取样

• dst = cv2.pyrUp(src)

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

b = cv2.pyrUp(a)
b1 = cv2.pyrUp(b)
b2 = cv2.pyrUp(b1)

cv2.imshow("original",a)
cv2.imshow("b",b)
cv2.imshow("b1",b1)
cv2.imshow("b2",b2)

cv2.waitKey()
cv2.destroyAllWindows()

拉普拉斯金字塔

• Li = Gi - PyrUp(PyrDown(Gi))）
• Gi : 原始图像第i层向下取样图像
• Li : 拉普拉斯金字塔图像

范例：

import cv2
import numpy as np

G0 = cv2.imread(".\yuan.jpg",0)

G1 = cv2.pyrDown(G0)
L0 = G0 - cv2.pyrUp(cv2.pyrDown(G0))
L1 = G1 - cv2.pyrUp(cv2.pyrDown(G1))

cv2.imshow("original",G0)
cv2.imshow("L0",L0)
cv2.imshow("L1",L1)

cv2.waitKey()
cv2.destroyAllWindows()

#报错
#    L1 = G1 - cv2.pyrUp(cv2.pyrDown(G1))
#ValueError: operands could not be broadcast together with shapes (257,274) (258,274)

#说是图像大小出错，但是不太明白哪出错了？？？

图像轮廓

• 边缘检测能够测出边缘，但是边缘是不连续的
• 将边缘连接为一个整体，构成轮廓
• 对象是二值图像，所以需要预先进行阈值分割或者边缘检测处理
• 查找轮廓需要更改原始图像，因此，通常使用原始图像的一份拷贝操作
• 在OpenCV中，是冲黑色背景中查找白色对象，因此，对象必须是白色的，背景必须是黑色的
• 函数cv2.findContours()
• image, contours, hierarchy = cv2.findContours(image, mode, method)
• 输出：image，修改后的原始图像    contours，轮廓    hierarchy，图像的拓扑信息（轮廓信息）
• 输入：image，原始图像    mode，轮廓检索模式    method，轮廓的近似方法
• mode，轮廓检索模式：cv2.RETR_EXTERNAL 只检测外轮廓
•                                       cv2.RETR_LIST 检测的轮廓不建立等级关系
•                                       cv2.RETE_CCOMP 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息
•                                       cv2.RETR_TREE 建立一个等级树结构的轮廓
• method，轮廓的近似方法：cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1
•                                             cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，
•                                                          只保留该方向的终点坐标，例如一个矩形轮廓只需4个点保存轮廓信息
•                                             cv2.CHAIN_APPROX_TC89_L1 使用teh-Chinl chain 近似算法
•                                             cv2.CHAIN_APPROX_TC89_KCOS 使用toh-Chinl chain 近似算法
• 函数cv2.drawContours()
• r = cv2.drawCoutours(o, contours, contourldx, color, [, thickness]
• r 目标图像，直接修改目标的像素点，实现绘制
• o 原始图像
• contours 需要绘制的边缘数组
• contourldx 需要绘制的边缘索引，如果全部绘制则为-1
• color 绘制的颜色，为BGR格式的Scalar
• thinckness 可选，绘制的密度，即描绘轮廓时所用的画笔粗细

范例：

import cv2
import numpy as np

a = cv2.imread(".\yuan.jpg",0)

gray = cv2.cvtColor(a,cv2.COLOR_BGR2RGB)
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
r = cv2.drawContours(a, contours, -1, (0,0,255), 1)

cv2.imshow("original",a)
cv2.imshow("r",r)

cv2.waitKey()
cv2.destroyAllWindows()


#报错
#又不知哪错了？？？

直方图

• 横坐标：图像中各个像素点的灰度级
• 纵坐标：具有该灰度级的像素个数

绘制直方图

• 函数hist
• 根据数据源和像素级绘制直方图
• hist（数据源，像素级）
• 数据源：图像，必须是一维数据；像素级：一般是256
• 函数ravel
• 将多维数组降为一维数组
• 一维数组=多维数组.ravel()

范例：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg")

plt.hist(img.ravel(),256)
plt.show()

使用OpenCV统计直方图

• 函数calcHist
• hist = cv2.calcHist(image, channels, mask, histSize, ranges, accumulate)
• hist：直方图，是一个数组
• images：原始图像
• channels：指定通道
•                   通道编号需要用中括号括起来
•                   输入图像是灰度图时，它的值是[0]
•                   彩色图像可以是[0],[1],[2]分别对应通道B,G,R。
• mask：掩码图像
•             统计整幅图像的直方图，设为None
•             统计图像某一部分的直方图时，需要掩码图像
• histSize：BINS的数量，例如：[256]
• ranges：像素值范围
• accumulate：累计标识
•                       默认值为false
•                       如果被设置为true，则直方图在开始分配时不会被清零
•                       该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图
•                       多个直方图的积累结果，用于对一组图像计算直方图

范例：

import cv2
import numpy as np

img = cv2.imread(".\he.jpg")
hist = cv2.calcHist([img],[0],None,[256],[0,255])

print(type(hist))
print(hist.size)
print(hist.shape)


#
#256
#(256, 1)

绘制OpenCV统计直方图

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg")
hist = cv2.calcHist([img],[0],None,[256],[0,255])

plt.plot(hist,color = 'b')
plt.show()

使用掩膜直方图

• 生成掩膜图像
• mask = np.zeros(image,shape,np.uint8)
• mask[200:400,200:400] = 255

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

mask = np.zeros(img.shape,np.uint8)
mask[200:400,200:400] = 255

hist1 = cv2.calcHist([img],[0],None,[256],[0,255])
hist2 = cv2.calcHist([img],[0],mask,[256],[0,255])

plt.plot(hist1,color='r')
plt.plot(hist2,color='b')
plt.show()

直方图均衡化

• 前提：如果一幅图像占有全部可能的灰度级，并且均匀分布。
• 结论：该图像具有高对比度和多变的灰度色调。
• 外观：图像细节丰富，质量更高。
• 函数equalizeHist
• dst = cv2.equalizeHist(src)
• src：源图像
• dst：处理结果

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

equ = cv2.equalizeHist(img)

plt.figure()
plt.hist(img.ravel(),256)

plt.figure()
plt.hist(equ.ravel(),256)

plt.show()

傅里叶变换

numpy实现傅里叶变换函数

• 函数numpy.fft.fft2
• 实现傅里叶变换
• 返回一个复数数组（complex ndarray）
• 函数numpy.fft.fftshift
• 将零频率分量移动到频谱中心
• 20*np.log(np.abs(fshift))
• 设置 频谱的范围
• 注意：
• 傅里叶得到低频、高频信息，针对低频、高频处理能够实现不同的目的
• 傅里叶过程是可逆的，图像经过傅里叶变换、逆傅里叶变换后，能够恢复到原始图像
• 在频域对图像处理，在频域的处理会反应在逆变换图像上

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

f = np.fft.fft2(img)

fshift = np.fft.fftshift(f)

result = 20*np.log(np.abs(fshift))

plt.subplot(121)
plt.imshow(img,cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result,cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()

numpy实现逆傅里叶变换函数

• 函数numpy.fft.ifft2
• 实现逆傅里叶变换，返回一个复数数组
• 函数numpy.fft.ifftshift
• fftshift函数的逆函数
• iimg = np.abs(逆傅里叶变换结果)
• 设置值的范围

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

f = np.fft.fft2(img)

fshift = np.fft.fftshift(f)

ishift = np.fft.ifftshift(fshift)

iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)

plt.subplot(121)
plt.imshow(img,cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg,cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()

高通滤波

• 低频，对应图像内变化缓慢的灰度分量。
• 高频，对应图像内变化越来越快的灰度分量。
• 滤波，接受（通过）或者拒绝一定频率的分量。
• 频域滤波，修改傅里叶变换以达到特殊的目的，然后计算IDFT返回到图像域。
•                   特殊目的：图像增强、图像去噪、边缘检测、特征提取、压缩、加密等。

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

f = np.fft.fft2(img)

fshift = np.fft.fftshift(f)

rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
fshift[crow-30:crow+30,ccol-30:ccol+30] = 0

ishift = np.fft.ifftshift(fshift)

iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)

plt.subplot(121)
plt.imshow(img,cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg,cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()

OpenCV实现傅里叶变换

• 函数dft
• 返回结果 = cv2.dft（原始图像，转换标识）
• 返回结果：是双通道，第1个通道是结果的实数部分，第2个通道是结果的虚数部分
• 原始图像：输入图像要首先转换成np.float32格式，np.float32(img)
• 转换标识：flags = cv2.DFT_COMPLEX_OUTPUT，输出一个复试阵列
• 函数magnitude
• 返回值 = cv2.magnitude（参数1，参数2）
• 计算幅值
• 参数1：实部
• 参数2：虚部

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

dft = cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)

dftshift = np.fft.fftshift(dft)

result = 20*np.log(cv2.magnitude(dftshift[:,:,0],dftshift[:,:,1]))

plt.subplot(121)
plt.imshow(img,cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result,cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()

OpenCV实现逆傅里叶变换

• 函数idft
• 返回结果 = cv2.idft（原始数据）

范例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(".\he.jpg",cv2.IMREAD_GRAYSCALE)

dft = cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)

ishift = np.fft.ifftshift(dftshift)
iimg = cv2.idft(ishift)

iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1])

plt.subplot(121)
plt.imshow(img,cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg,cmap='gray')
plt.title('iimg')
plt.axis('off')
plt.show()

总结

以前学习过数字图像处理，所以对基本的图像处理知识还算了解，这次学习主要是为了熟悉python语言、OpenCV语言。

用博客记录学习的方式，既可以督促自己，又可以为以后复习，这种形式可以继续。

下面开始认真做毕设，争取在中期检查前把系统构建出来，然后在查找文献，改进算法。