opencv基本概念（图像格式、阈值分割(图像二值化)、膨胀腐蚀）

图像格式

• 在图像处理中图像大致可分为 黑白图像、灰度图像、彩色图像三种。
  • 黑白图像中每个像素的值只有 0(黑色)和 1(白色)
  • 灰度图像中每个像素的值则可取 [0, 255]，其中 0 代表纯黑色，255 代表纯白
    色
  • 彩色图像一般有三个通道，按照颜色描述空间不同，彩色图像也有不同格式。
    • RGB 颜色空间，即红绿蓝三原色，RGB 三个通道的取值范围都为[0, 255]，
      彩色图像也可以看作是 3 个灰度图像的合并。
    • Lab 颜色空间，L 值 范围 [0, 128] 代表 亮度；a 值 范围 [-128, 127]，正数代表红色，负数 代表 绿色；b 值 范围 [-128, 127]，正数 代表 黄色，负数 代表 蓝色。
    • HSV 颜色空间，色调(H)，饱和度(S)，明度(V) 在不同应用场景中，HSV 取
      值范围不尽相同
• 使用 OpenCV 进行图像转换与通道分离

• 代码中用到的一些常见的 opencv 函数 ，如 用于颜色分离的cv2.inRange（） 函数可以参考这里
• 直接通过 cv2.imread（） 函数读取不同类型的图像，可以参考这里
• 通过cv2.namedWindow() 可以创建窗口，详细可以参考这里

代码

• 本例程将进行 OpenCV 的图像转换与通道分离。

import cv2 #引用opencv功能包

#创建窗口，用于显示图片
cv2.namedWindow('MyWindow', cv2.WINDOW_NORMAL) # 使用该函数，使后面用同样名字的imshow显示的图片窗口可以改变大小

#提示停止方法
print ('Press key "Q" to stop.')
frame = cv2.imread('RGB.jpg',1) #以彩色图像格式读取图片
Quit = 1 #是否继续运行标志位

while Quit:
    keycode = cv2.waitKey(3)  # 每3ms刷新一次图片，同时读取3ms内键盘的输入
    if keycode&0xFF == ord('q'): #如果按下“Q”键，停止运行标志位置1，调出while循环，程序停止运行
        Quit = 0

    cv2.imshow('MyWindow', frame)  # 显示原图

    # RGB转灰度图像
    frame_gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) #注意是BGRopencv读取图片的默认像素排列是BGR
    cv2.imshow('frame_gray', frame_gray)  # 直接imshow(),系统会自动执行nameWindow()创建窗口
    cv2.imwrite('gray.jpg', frame_gray)  # 保存灰度图像为文件

    # 灰度图像二值化处理获得黑白图像
    frame_binary = cv2.inRange(frame_gray,100,150) #图像中低于 100 的值，其所对应的图像值将为 0；图像中高于 150 的值，图像值变为 0 。
    # 换言之，源图像中仅有图像值介于 100 和 150 之间的值才不为 0 ，且值将变成 255
    cv2.imshow('frame_binary', frame_binary)  # 显示二值化图像
    cv2.imwrite('frame_binary.jpg', frame_binary)  # 显示二值化图像

    #RGB通道分离
    b,g,r = cv2.split(frame)
    # 显示三通道图像
    cv2.imshow('r', r)  # 二值化后的通道R
    cv2.imshow('g', g)  # 二值化后的通道G
    cv2.imshow('b', b)  # 二值化后的通道B

    # 分别保存三通道图片
    cv2.imwrite('r.jpg', r)
    cv2.imwrite('g.jpg', g)
    cv2.imwrite('b.jpg', b)

    # BGR转HSV颜色空间
    frame_HSV = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)
    cv2.imshow('frame_HSV', frame_HSV)  # 显示图片
    cv2.imwrite('frame_HSV.jpg', frame_HSV)  # 保存图片

   # frame = cv2.imread('RGB.jpg', 1)  # 循环读取图片

print ('Quitted!') #提示程序已停止
cv2.destroyAllWindows() #程序停止前关闭所有窗口

阈值分割(图像二值化)

• 阈值分割是一种图像分割技术，又称为阈值二值化
• 阈值分割 在 灰度图像 最常用的方法是取一个 阈值分界值 Threshold，然后当任意一个像素点的 灰度值 高于 Threshold 时，该像素点的 灰度值 直接取 值为255(该值可变)，当任意一个像素点的 灰度值 低于 Threshold 时，该像素点的 灰度值直接直接取 值为 0
• 二值化 的主要作用是 降低数据处理复杂程度，因为将 8 位(256)数据降低到了 1 位(0/1)数据，另一个作用则是 高亮标示目标
• 常用的二值化函数：Binary = cv2.threshold (Gray, 128, 255, cv2.THRESH_BINARY)
  • Gray 代表输入的灰度图像，128 为阈值，255 代表灰度值大于阈值的像素点
    的灰度值会被设置为 255，cv2.THRESH_BINARY 为二值化方法
    • 该函数处理后图像依然为灰度图像，只是图像灰度值只有两个，需要手动转为二值(黑白)图像
• 可以采用 cv2.createTrackbar、cv2.getTrackbarPos 设置进度条，并给进度条赋值。具体可以参考这里
  • 注意 cv2.createTrackbar 函数中的回调函数一定要有要设置一个输入参数，否则，在读取进度条的时候不会有值的变化
• 通过 cv2.bitwise_and 对两幅图片图片按位取与，具体可以参考 这里

代码

• 本例程使用 OpenCV 对调用摄像头并进行动态阈值分割（两种二值化方法）

import cv2
import numpy as np

def callback(object):
    pass

#创建窗口
cv2.namedWindow('win1')

#提示停止方法
print ('Showing camera. Press key "Q" to stop.')

cameraCapture = cv2.VideoCapture(0) #创建读取摄像头的类
success,frame = cameraCapture.read() #读取第一帧图片，返回值为(是否成功读取， 图片)

#创建画布、窗口、进度条
canvas = np.zeros((170,600,3),dtype=np.uint8)+255  #创建画布放置阈值动态调节窗口
cv2.imshow("THRESHOLD",canvas)
cv2.createTrackbar("R_min","THRESHOLD",0,255,callback)#输入参数(参数名字，进度条附着窗口名字，进度条最小值，进度条最大值，回调函数)
cv2.createTrackbar("G_min","THRESHOLD",0,255,callback)
cv2.createTrackbar("B_min","THRESHOLD",0,255,callback)
cv2.createTrackbar("R_max","THRESHOLD",0,255,callback)
cv2.createTrackbar("G_max","THRESHOLD",0,255,callback)
cv2.createTrackbar("B_max","THRESHOLD",0,255,callback)

Quit = 1 #是否继续运行标志位
while success  and Quit :
    keycode = cv2.waitKey(1)
    if keycode&0xFF == ord('q'): #如果按下“Q”键，停止运行标志位置1，调出while循环，程序停止运行
        Quit = 0

    # 相关变量绑定进度条
    R_min = cv2.getTrackbarPos("R_min", "THRESHOLD") #获得进度条值
    G_min = cv2.getTrackbarPos("G_min", "THRESHOLD", )
    B_min = cv2.getTrackbarPos("B_min", "THRESHOLD", )
    R_max = cv2.getTrackbarPos("R_max", "THRESHOLD", )
    G_max = cv2.getTrackbarPos("G_max", "THRESHOLD", )
    B_max = cv2.getTrackbarPos("B_max", "THRESHOLD", )

    # 分别对RGB三通道进行二值化
    b, g, r = cv2.split(frame) #RGB通道分离
    cv2.imshow('r', r)  # 通道R
    cv2.imshow('g', g)  # 通道G
    cv2.imshow('b', b)  # 通道B
    frame_threshold_B = cv2.inRange(b, B_min, B_max)# 通道R二值化
    frame_threshold_G = cv2.inRange(g, G_min, G_max)  # 通道G二值化
    frame_threshold_R = cv2.inRange(r, R_min, R_max)  # 通道B二值化
    cv2.imshow('frame_threshold_R', frame_threshold_R)  # 窗口显示二值化后的通道R
    cv2.imshow('frame_threshold_G', frame_threshold_G)  # 窗口显示二值化后的通道G
    cv2.imshow('frame_threshold_B', frame_threshold_B)  # 窗口显示二值化后的通道B

    # 3通道二值化结果相与
    Binary_RGB_AND = cv2.bitwise_and(frame_threshold_R,frame_threshold_G) #相与
    frame_binary_manual = cv2.bitwise_and(frame_threshold_B,Binary_RGB_AND) # 最终结果
    cv2.imshow('frame_binary_manual', frame_binary_manual)  # 窗口显示彩色图像手动二值化结果

    # 直接对RGB图像进行二值化
    lower_rgb = np.array([B_min, G_min, R_min]) #注意这里是BGR,
    upper_rgb = np.array([B_max, G_max, R_max]) #因为opencv读取图片的默认像素排列是BGR
    frame_binary = cv2.inRange(frame,lower_rgb,upper_rgb)# 使用数组进行图像二值化

    cv2.imshow('win1', frame)  # 窗口显示原图
    cv2.imshow('frame_binary', frame_binary)  # 窗口显示对RGB图像进行二值化的结果

    success,frame = cameraCapture.read() #读取第一帧图片，返回值为(是否成功读取， 图片)

if success == 0: #提示由于摄像头读取失败停止程序
    print ('Camera disconnect !')
print ('Quitted!') #提示程序已停止
cv2.destroyAllWindows() #程序停止前关闭所有窗口
cameraCapture.release #程序停止前关闭摄像头调用
 

腐蚀膨胀

• 在图像处理中 膨胀腐蚀 是最基本也是最常用的操作，它常用来 清除图像中的杂质，在 目标识别 时也常来 构建连通域 以便进行抠图。

• 二值图像 可以当做一个 值只有 0 和 1 的矩阵，1 代表白色，0 代表黑色。

• 膨胀 就是 每个元素与周围一定范围内的元素进行或操作，与原值相比变化了则保持变化，结果就是 白色部分膨胀(黑色部分变小)了一定范围。

• 下例中，先膨胀，清除白色矩形内的杂质，由于进行了膨胀，图像发生了变形(白色部分变大)，我们再进行腐蚀，使图像返回原来的形状。这时我们发现白色矩形内的黑斑没有出现。然后我们再进行一次腐蚀然后进行膨胀，把左上角的白色杂质也清除掉。
  

• 腐蚀核 可以使用 cv2.getStructingElement 函数描述，具体可以参考 这里（可以自己定义大小，核的大小决定每个像素的影响范围）

• 腐蚀 可用函数 cv2.erode 函数，其参数内容可以参考这里

  • interator参数越大越模糊（迭代次数越多越模糊）
    

• 膨胀 可用函数 cv2.dilate 函数

代码

• 本demo可以插入到上一个例程中，整体展示效果

kernel_width=7 #膨胀腐蚀的范围大小
kernel_height=7 #膨胀腐蚀的范围大小
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(kernel_width,kernel_height)) #创建膨胀腐蚀核
frame_threshold_D = cv2.dilate(frame_binary,kernel) #膨胀
frame_binary_DE = cv2.erode(frame_binary_DE, kernel) #腐蚀
frame_binary_DE = cv2.erode(frame_binary_DE, kernel) #腐蚀
frame_binary_DE = cv2.dilate(frame_binary_DE, kernel) #膨胀