Opencv-图像操作与处理入门基本知识(一)

文章目录

  • 前言
  • 一、图像基础知识
    • 像素坐标系
    • 图像坐标系
  • 二、opencv处理图像基本操作
    • 2.1 基础知识与应用
      • 2.1.1 读取图像
      • 2.1.2 显示图像
      • 2.1.3 显示图像
      • 2.1.4 基础操作示例
    • 2.2 色彩空间的改变
    • 2.3 颜色通道的提取
    • 2.4 图像的算术运算
    • 2.5 图像的几何变换
      • 2.5.1 图像缩放
      • 2.5.2 图像平移
      • 2.5.3 图像旋转 ⭐
      • 2.5.4 仿射变换 ⭐
      • 2.5.5 透射变换⭐
      • 2.5.6 图像金字塔⭐⭐
      • 几何变换总结
    • 2.6 形态学操作 ⭐⭐
      • 2.6.1 腐蚀操作
      • 2.6.2膨胀操作
      • 2.6.3 开运算与闭运算
      • 2.6.4 梯度运算
      • 2.6.5 礼帽与黑帽
  • 总结

前言

基于python脚本语言开发的数字图片处理包,比如PIL(Python Image Library),Pillow, opencv, scikit-image等。

  • PIL和Pillow只提供最基础的数字图像处理,功能有限;

PIL历史悠久,原来是只支持python2.x的版本的,后来出现移植到python3的库pillow,pillow号称是friendly fork for PIL,其功能和PIL差不多,但是支持python3。

  • opencv实际上是一个c++库,只是提供了python接口,更新速度非常慢。
  • scikit-image是基于scipy的一款图像处理包,它将图片作为numpy数组进行处理正好与matlab一样。

一、图像基础知识

  • 模拟图像

连续图像 通过某种物理量(如光、电等)的强弱变化来记录图像亮度信息,是连续变化的。

  • 数字图像

分级存储的图像

  • 位数:图像的表示 每个像素点是如何表示的
  • 分类:二值图像、灰度图像、彩色图像

计算机采用0/1编码的系统,数字图像也是利用0/1来记录信息,我们平常接触的图像都是8位数图像包含0-255灰度,其中 0:黑 1:白

  • 黑色:(0,0,0)
  • 白色:(256,256,256)/(1,1,1)

Opencv-图像操作与处理入门基本知识(一)_第1张图片
Opencv-图像操作与处理入门基本知识(一)_第2张图片

  • 二值图像

每个像素取值0/1

  • 灰度图

每个像素8位 0-255 (没有三个通道,只有一个通道,表示亮度就可以)

  • 彩色图

每个像素由R G B 三个分量表示,每个分量0-255,因此单独拿出一个分量就是一个灰度图,每一像素的颜色需由R,G、B三个分量来表示,M,N分别表示图像的行列数,三个MxN的二维矩阵分别表示各个像素的R,G、B三个颜色分量

  • 索引图像

一种把像素值直接作为RGB调色板下标的图像。索引图像可把像素值“直接映射”为调色板数值。

RGB图像和索引图像的区别

像素坐标系

像素坐标系u-v的原点为O0
在视觉处理库OpenCV中,u对应x,v对应y;

Opencv-图像操作与处理入门基本知识(一)_第3张图片

图像坐标系

图像坐标系x-y的原点是O1,为像素坐标系的中点,

Opencv-图像操作与处理入门基本知识(一)_第4张图片


二、opencv处理图像基本操作

2.1 基础知识与应用

opencv:BGR格式
一般图像是RGB格式,且图像显示时用的也是RGB格式

2.1.1 读取图像

Opencv-图像操作与处理入门基本知识(一)_第5张图片

2.1.2 显示图像

opencv中彩色图像显示BGR格式
matplotlib中彩色图像显示RGB格式

Opencv-图像操作与处理入门基本知识(一)_第6张图片

2.1.3 显示图像

Opencv-图像操作与处理入门基本知识(一)_第7张图片

2.1.4 基础操作示例

Opencv-图像操作与处理入门基本知识(一)_第8张图片

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

img = np.zero((256,256,3),np.unit8) 
# 彩色图创建加上3个通道,而且每个通道大小也是500*500
# img = np.zero((256,256)),np.unit8  灰度图创建

plt.imshow(img[:,:,::-1])

Opencv-图像操作与处理入门基本知识(一)_第9张图片
Opencv-图像操作与处理入门基本知识(一)_第10张图片

  • 修改像素值
    Opencv-图像操作与处理入门基本知识(一)_第11张图片
img[100,100] # 返回该像素点位置三个通道的值
img[100,100,100] # 只返回蓝色通道的值

# 修改
img[100,100] = (0,0,255) # 红色

# 通道的拆分与合并
b,g,r = cv.split(img)
img = cv.merge((b,g,r)) 
  • 案例引入
import numpy as np
import cv2 as cv
img = cv.imread('messi5.jpg'# cv读取获得的时BGR格式
# 获取某个像素点的值
px = img[100100]
# 仅获取蓝色通道的强度值 指定蓝色通道B:0  G:1  R:2
blue = img[1001000]
# 修改某个位置的像素值
img[100100]=[255,255,255]

img.shape
[ h,w,c ]

在这里插入图片描述
Opencv-图像操作与处理入门基本知识(一)_第12张图片

2.2 色彩空间的改变

opencv中由150多种颜色空间转化方法,最广泛的转换方法有两种

  • BGR->Gray(灰度图)
  • BGR->HSV(有些算法会使用)
# 色彩空间的改变
cv.cvtColor(input_image,flag)
gray = cv.cvtColor(dili,cv.COLOR_BGR2GRAY)
plt.imshow(gray,cmap=plt.cm.gray) # 灰度图显示

hsv = cv.cvtColor(dili,cv.COLOR_BGR2HSV)
plt.imshow(hsv)
'''

Opencv-图像操作与处理入门基本知识(一)_第13张图片
Opencv-图像操作与处理入门基本知识(一)_第14张图片
Opencv-图像操作与处理入门基本知识(一)_第15张图片

2.3 颜色通道的提取

Opencv-图像操作与处理入门基本知识(一)_第16张图片
Opencv-图像操作与处理入门基本知识(一)_第17张图片

2.4 图像的算术运算

  1. 图像的加法

可以使用OpenCV的cv.add0函数把两幅图像相加,或者可以简单地通过numpy操作添加两个图像,如res=img1 +img2,两个图像应该具有相同的大小和类型,或者第二个图像可以是标量值

x=np.uint8((250)
y=np.uint8(10)
print(cv.add(x,y)) # 250+10 = 260 =>255
[255]
print(x+y)  # 250+10 = 260 % 256 = 4
[4] 
# opencv效果更好
  1. 图像的混合(融合)
    Opencv-图像操作与处理入门基本知识(一)_第18张图片

这其实也是加法,但不同的是两幅图像的权重不同,这就会给人一种混合或者透明的感觉。图像混合的计算公式如下:

  • g(x) = (1- α)f0(x) + αf1(x) [α:0->1]

现在我们把两幅图混合在一起,第一幅图的权重是0.7,第二幅图的权重是0.3.函数cv2.addWeighted()可以按下面的公式对图片进行混合操作

img3 = cv.addWeight(img1,0.7,img2,0.3,0)

注意:这里要求图像的大小都是相同的

2.5 图像的几何变换

2.5.1 图像缩放

图像放大或者缩小
方式:1.绝对尺寸 2. 相对尺寸

  • API
    Opencv-图像操作与处理入门基本知识(一)_第19张图片
  • 示例
import cv2 as cv

path = 图片路径
img1 = cv.imread(path)

# 绝对尺寸
rows,cols = img1.shape[:2]
res = cv.resize(img1,(2*cols,2*rows),interpolation=cv.INTER_CUBIC)

# 相对尺寸
res1 = cv.resize(img1,None,fx=0.5,fy=0.5)

# 显示图像
cv.imshow('original',img1)
cv.imshow('enlarge',res)
cv.imshow('shrink',res1)

cv.waitKey(0)
cv.destroyAllWindows()

Opencv-图像操作与处理入门基本知识(一)_第20张图片

2.5.2 图像平移

按照指定方向和距离,移动到相应的位置

  • API
    Opencv-图像操作与处理入门基本知识(一)_第21张图片
  • 示例
import numpy as np
import cv2 as cv

path = 图像路径
img1 = cv.imread(path)

rows,,cols = img1.shape[:2] # h,w
M = np.float32([[1,0,100],[0,1,50]])# 平移矩阵
dst = cv.warpAffine(img1,M,(cols,rows)) # (cols,rows)是画布大小(w,h)
# dst = cv.warpAffine(img1,M,(2*cols,2*rows))  #(2*cols,2*rows)画布大小

# plt.imshow(dst[:,:,::-1])

2.5.3 图像旋转 ⭐

图像按照某个位置转动一定的角度的过程,旋转中图像仍保持这原始尺寸。图像旋转后图像的水平对称轴、垂直对称轴及中心坐标原点都可能会发生变换,因此需要对图像旋转中的坐标进行相应转换

  • 旋转原理
    Opencv-图像操作与处理入门基本知识(一)_第22张图片
    如上图,旋转后新的坐标系中的坐标:
    Opencv-图像操作与处理入门基本知识(一)_第23张图片
    上图中的x`,y是以旋转中心为原点的一个结果,现在旋转完毕之后,原点转换为图像左上角`,
    Opencv-图像操作与处理入门基本知识(一)_第24张图片
    行列式计算:
    Opencv-图像操作与处理入门基本知识(一)_第25张图片
  • API
    Opencv-图像操作与处理入门基本知识(一)_第26张图片
  • 示例
import numpy as np
import cv2 as cv

path = 图片路径
img1 = cv.imread(path)

rows,cols = img.shape[:2]

# 生成旋转矩阵
M = cv.getRotationMatrix2D((cols/2,rows/2),90,1)# 原图像中心旋转90°
# 旋转变换
dst = cv.warpAffine(img,M,(cols,rows)) #(cols,rows)画布大小 

Opencv-图像操作与处理入门基本知识(一)_第27张图片

2.5.4 仿射变换 ⭐

仿射变换涉及到图像形状位置角度的变化,是深度学习预处理中常用到的功能,主要是对图像的缩放、旋转,翻转和平移等操作的组合

  • 名词解释
    Opencv-图像操作与处理入门基本知识(一)_第28张图片
  • 原理解释
    Opencv-图像操作与处理入门基本知识(一)_第29张图片
    在这里插入图片描述
  • 示例
import numpy as np
import cv2 as cv

path = 图像路径
img = cv.imread(path)

rows,cols = img.shape[:2]

# 创建变换矩阵
pts1 = np.float32([[50,50],[200,50],[50,200]]) # 原位置
pts2 = np.float32([[100,100],[200,50],[100,250]]) # 变换后输出位置
M = cv.getAffineTransform(pts1,pts2) # M变换矩阵

# 完成仿射变换
dst = cv.warpAffine(img,M,(cols,rows))

Opencv-图像操作与处理入门基本知识(一)_第30张图片

2.5.5 透射变换⭐

Opencv-图像操作与处理入门基本知识(一)_第31张图片

  • 原理解释
    Opencv-图像操作与处理入门基本知识(一)_第32张图片
  • 示例
import numpy 
import cv2 as cv

path = 图片路径
img = cv.imread(path)

rows,cols = img.shape[:2]

pts1 = np.float32([[56,65],[368,52],[28,387],[389,390]]) # 原坐标
pts2 = np.float32([[100,145],[300,100],[80,290],[310,300]]) # 输出后坐标

T = cv.getPerspectiveTransform(pts1,pts2) # 得出变换矩阵

# dst = cv.warpPerspective(img,T,(cols,rows))

Opencv-图像操作与处理入门基本知识(一)_第33张图片

2.5.6 图像金字塔⭐⭐

图像金字塔是图像多尺度表达的一种,最主要用于图像的分割,是一种以多分辨率 来解释图像的有效但概念简单的结构
图像金字塔用于机器视觉和图像压缩,一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低,且来源于同一张原始图的图像集合。其通过梯次向下采样获得,直到达到某个终止条件才停止采样。

金字塔的底部是待处理图像的高分辨率表示,而顶部是低分辨率的近似,层级越高,图像越小,分辨率越低。

Opencv-图像操作与处理入门基本知识(一)_第34张图片

  • API

cv2.pyrUp(img) #上采样
cv2.pyDown(img) # 下采样

  • 示例
import numpy as np
import cv2 as cv

path = 图片路径
img = cv.imread(path)

# 图像采样
up_img = cv.pyrUp(img)
img_1 = cv.pyrDown(img)

# 显示图像
cv.imshow('enlarge',up_img )
cv.imshow('original',img)
cv.imshow('shrink',img_1 )

cv.waitKey(0)
cv.destroyAllWindows()

Opencv-图像操作与处理入门基本知识(一)_第35张图片

几何变换总结

Opencv-图像操作与处理入门基本知识(一)_第36张图片

2.6 形态学操作 ⭐⭐

形态学视频讲解

  • 连通性

在图像中,最小的单位是像素。每个像素周围有8个邻接像素,常见的邻接关系有3种:4邻接8邻接D邻接

Opencv-图像操作与处理入门基本知识(一)_第37张图片

连通性是描述区域和边界的重要概念,两个像素连通的必要条件

  1. 两个像素的位置是否相邻
  2. 两个像素的灰度值是否满足特定的相似性准则(或者是否相等/或者差值在多少之内)
  • 连通分类
    Opencv-图像操作与处理入门基本知识(一)_第38张图片
    Opencv-图像操作与处理入门基本知识(一)_第39张图片

2.6.1 腐蚀操作

Opencv-图像操作与处理入门基本知识(一)_第40张图片

腐蚀操作与kernal以及迭代次数都有关

在这里插入图片描述

  • 讲解
    Opencv-图像操作与处理入门基本知识(一)_第41张图片

只要框到的含有黑色,则就变黑(即为腐蚀)

Opencv-图像操作与处理入门基本知识(一)_第42张图片

注意:线条变细了

  • 实例
    Opencv-图像操作与处理入门基本知识(一)_第43张图片
    Opencv-图像操作与处理入门基本知识(一)_第44张图片

2.6.2膨胀操作

Opencv-图像操作与处理入门基本知识(一)_第45张图片
Opencv-图像操作与处理入门基本知识(一)_第46张图片
Opencv-图像操作与处理入门基本知识(一)_第47张图片

  • 讲解
    Opencv-图像操作与处理入门基本知识(一)_第48张图片

只要框到的含有白色就会变白(膨胀),这也就是为什么字体迪哥又变胖了

  • 实例
    Opencv-图像操作与处理入门基本知识(一)_第49张图片
    Opencv-图像操作与处理入门基本知识(一)_第50张图片

2.6.3 开运算与闭运算

腐蚀会变小,膨胀会变大

  1. 开运算
    Opencv-图像操作与处理入门基本知识(一)_第51张图片
    Opencv-图像操作与处理入门基本知识(一)_第52张图片
  2. 闭运算
    Opencv-图像操作与处理入门基本知识(一)_第53张图片
    Opencv-图像操作与处理入门基本知识(一)_第54张图片

线条不仅没有处理掉,而且线条还比原来粗了

2.6.4 梯度运算

Opencv-图像操作与处理入门基本知识(一)_第55张图片
Opencv-图像操作与处理入门基本知识(一)_第56张图片

膨胀结果:胖一圈
腐蚀结果:瘦一圈

梯度运算:

  1. 原始图像先进行膨胀
  2. 原始图像先进行腐蚀
  3. 膨胀图像-腐蚀图像(例如上图白色-白色=0变成黑色,只剩下轮廓)
  • 实例
    在这里插入图片描述
    Opencv-图像操作与处理入门基本知识(一)_第57张图片

2.6.5 礼帽与黑帽

礼帽:原始输入-开运算结果(先腐蚀后膨胀)
黑帽:闭运算结果-原始输入(先膨胀后腐蚀)

  • 礼帽
    在这里插入图片描述
    Opencv-图像操作与处理入门基本知识(一)_第58张图片

  • 黑帽
    在这里插入图片描述
    Opencv-图像操作与处理入门基本知识(一)_第59张图片


总结

笔记可能存在错误,还望大家能够指出,谢谢!

你可能感兴趣的:(#,opencv图像处理,opencv,python,计算机视觉,图像处理)