import cv2 #cv2.__version__==3.2.0
import numpy as np
#读取，显示,写
img=cv2.imread('test1.jpg',cv2.IMREAD_ANYCOLOR)
# cv2.imshow('show', img) #显示图片
print(np.shape(img))
# cv2.waitKey() #waitKey(int delay=0)，当delay≤ 0，将无限期的等待下去；当delay>0时，就是等待delay毫秒。
img_crop=img[10:100,10:200]
cv2.imwrite('img_write.tif',img_crop)
exit()
img=cv2.imread('test1.jpg') #注意，python中opencv读取的图片通道是BGR，和别的可能不太一样
img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转成灰度图像，第二个参数改变可以进行别的颜色转换
cv2.imshow('show', img_gray)
cv2.imshow('all',img)
cv2.imshow('B',img[:,:,0])
cv2.imshow('G',img[:,:,1])
cv2.imshow('R',img[:,:,2])
r_img=img[:,:,0]
print(np.shape(r_img))
cv2.waitKey()
#图像的平移
img=cv2.imread('test1.jpg',cv2.IMREAD_ANYCOLOR)
num_rows,num_cols=img.shape[:2] #图像的size
translation_matrix = np.float32([ [1,0,-70], [0,1,110] ]) #变换矩阵M为[1,0,tx,
# 0,1,ty] x方向和y方向的偏移量
img_translation = cv2.warpAffine(img, translation_matrix, (num_cols,num_rows))
#需要图像、变换矩阵、变换后的大小，（这个大小如果不和原始图像大小相同，那么函数会自 动通过插值来调整像素间的关系）。
cv2.imshow('Translation', img_translation)
cv2.waitKey()
#图像的扩大与缩小
'''
图像的扩大与缩小有专门的一个函数，cv2.resize()，那么关于伸缩需要确定的就是缩放比例，可以是x与y方向
相同倍数，也可以单独设置x与y的缩放比例。另外一个就是在缩放以后图像必然就会变化，这就又涉及到一个插值
问题。那么这个函数中，缩放有几种不同的插值（interpolation）方法，在缩小时推荐cv2.INTER_ARER,扩大
是推荐cv2.INTER_CUBIC和cv2.INTER_LINEAR。默认都是cv2.INTER_LINEAR，比如:
'''
img = cv2.imread('flower.jpg')
# 插值：interpolation
# None本应该是放图像大小的位置的，后面设置了缩放比例，
res1 = cv2.resize(img,None,fx=2,fy=2,interpolation=cv2.INTER_CUBIC)
#直接规定缩放大小，这个时候就不需要缩放因子
height,width = img.shape[:2]
res2 = cv2.resize(img,(2*width,2*height),interpolation=cv2.INTER_CUBIC)
#图像旋转
'''
图像的旋转矩阵一般为：
M=[cos(θ) −sin(θ)
sin(θ) cos(θ)]
但是单纯的这个矩阵是在原点处进行变换的，为了能够在任意位置进行旋转变换，opencv采用了另一种方式：
M=[α -β (1−α)centerx−βcentery
-β α βcenterx+(1−α)centery]
为了构造这个矩阵，opencv提供了一个函数：
cv2.getRotationMatrix2D()，这个函数需要三个参数，旋转中心，旋转角度
'''
img = cv2.imread('flower.jpg')
rows,cols = img.shape[:2]
#第一个参数旋转中心，第二个参数旋转角度，第三个参数：缩放比例
M = cv2.getRotationMatrix2D((cols/2,rows/2),45,1)
#第三个参数：变换后的图像大小
res = cv2.warpAffine(img,M,(rows,cols))
cv2.imshow("原图",img)
cv2.imshow("变换后图像",res)
#边缘检测
img = cv2.imread('test1.jpg', cv2.IMREAD_GRAYSCALE)
rows, cols = img.shape
sobel_horizontal = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5) #利用sobel算子进行边缘检测，x方向
sobel_vertical = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5) #利用sobel算子进行边缘检测，y方向
kernel_1 = np.array([[-1,0,1], [-2,0,2], [-1,0,1]]) #利用图像卷积的方法进行边缘放大
kernel_2 = np.array([[-1,-2,-1], [0,0,0], [1,2,1]]) #利用图像卷积的方法进行边缘放大
output=cv2.filter2D(img, -1,kernel=kernel_1)
cv2.imshow('ker1',output)
output2=cv2.filter2D(img, -1,kernel=kernel_2)
cv2.imshow('ker2',output2)
cv2.imshow('Original', img)
cv2.imshow('Sobel horizontal', sobel_horizontal)
cv2.imshow('Sobel vertical', sobel_vertical)
cv2.waitKey(0)
#erode dilate 腐蚀膨胀
img = cv2.imread('test1.jpg', cv2.IMREAD_ANYCOLOR)
kernel = np.ones((5,5), np.uint8)
img_erosion = cv2.erode(img, kernel, iterations=1)
img_dilation = cv2.dilate(img, kernel, iterations=1)
cv2.imshow('Input', img)
cv2.imshow('Erosion', img_erosion)
cv2.imshow('Dilation', img_dilation)
cv2.waitKey(0)
