Opencv学习笔记——图像处理（一）

---

一、HSV

相对于RGB空间，HSV空间能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，方便进行颜色之间的对比.
H - 色调（主波长）。
S - 饱和度（纯度/颜色的阴影）。
V值（强度）。
显示HSV图像：

import cv2 #opencv读取的格式是BGR

img=cv2.imread('D:\cat.jpg')
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.imshow("hsv", hsv)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

二、图像阈值

ret, dst = cv2.threshold(src, thresh, maxval, type)

参数说明：
src： 输入图，只能输入单通道图像，通常来说为灰度图
dst： 输出图
thresh： 想要设定阈值
maxval： 当像素值超过了阈值（或者小于阈值，根据type来决定），所赋予的值，一般为255
type：二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY； cv2.THRESH_BINARY_INV； cv2.THRESH_TRUNC； cv2.THRESH_TOZERO；cv2.THRESH_TOZERO_INV

cv2.THRESH_BINARY：超过阈值部分取maxval（最大值），否则取0
cv2.THRESH_BINARY_INV：是THRESH_BINARY的反转，超过阈值部分取0），否则取最大值
cv2.THRESH_TRUNC：大于阈值部分设为阈值，否则不变
cv2.THRESH_TOZERO：大于阈值部分不改变，否则设为0
cv2.THRESH_TOZERO_INV：是THRESH_TOZERO的反转，小于阈值部分不改变，否则设为0

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
img=cv2.imread('D:\cat.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#五种不同的阈值操作
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)

titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in range(6):
    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

效果：

三、图像平滑

均值滤波：简单的平均卷积操作，(3，3)为卷积核的大小

blur = cv2.blur(img, (3, 3))

方框滤波：基本和均值一样，当normalize=True为归一化，效果和均值滤波一样，当normalize=False越界后取最大值255

box = cv2.boxFilter(img,-1,(3,3), normalize=True)

高斯滤波：高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的。

aussian = cv2.GaussianBlur(img, (5, 5), 1)

中值滤波：相当于用中值代替，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值

median = cv2.medianBlur(img, 5)

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB
#原图
img = cv2.imread('D:\zaoying.jpg')
#均值滤波
blur = cv2.blur(img, (3, 3))#(3，3)为卷积核的大小
#方框滤波
box = cv2.boxFilter(img,-1,(3,3), normalize=True)#normalize=True)即归一化后效果和均值滤波一样
#高斯滤波
aussian = cv2.GaussianBlur(img, (5, 5), 1)
#中值滤波
median = cv2.medianBlur(img, 5)
#图像拼接
res = np.hstack((aussian,median))
#展示高斯滤波和中值滤波
cv2.imshow('aussian vs median', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

对比效果：

四、形态学-腐蚀操作

进行腐蚀操作的图像一般都是二值的，腐蚀操作的原理是利用一个内核对图像进行卷积（扫描），内核中有一个点被定义为锚点，然后提取内核覆盖区域的像素最小值（黑色）来替换锚点位置的像素值，所以扫描过后黑色变多。

import cv2 #opencv读取的格式是BGR
import numpy as np
import matplotlib.pyplot as plt#Matplotlib是RGB

img = cv2.imread('D:\Benwei.png')

cv2.imshow('img', img)
kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(img,kernel,iterations = 1)
cv2.imshow('erosion', erosion)
cv2.waitKey(0)
cv2.destroyAllWindows()

kernel：卷积核的大小
iterations：迭代次数
原图：

效果：

五、形态学-膨胀操作

和腐蚀一样，也是相对于白色来说，膨胀就是像素值高的（白色）变多了（膨胀了），和腐蚀相反，膨胀是提取内核区域的最大值（白色）来替换锚点位置的像素值。

import cv2 #opencv读取的格式是BGR
import numpy as np
img = cv2.imread('D:\Benwei.png')
kernel = np.ones((3,3),np.uint8)
dige_dilate = cv2.dilate(img,kernel,iterations = 1)
cv2.imshow('dige_dilate', dige_dilate)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

六、开运算与闭运算

开运算和闭运算其实就是把前面的腐蚀和膨胀总结在一起，只不过执行的顺序不一样，开运算是先腐蚀后膨胀，闭运算是先膨胀后腐蚀。开运算为cv2.MORPH_OPEN，闭运算为cv2.MORPH_CLOSE。
开运算：

import cv2 #opencv读取的格式是BGR
import numpy as np
img = cv2.imread('D:\Benwei.png')
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
cv2.imshow('opening', opening)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

闭运算：

import cv2 #opencv读取的格式是BGR
import numpy as np
img = cv2.imread('D:\Benwei.png')
kernel = np.ones((3,3),np.uint8)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('closing', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

七、梯度运算

梯度运算实际上是图像膨胀减去图像腐蚀后的结果，最终我们得到的是一个类似于图像轮廓的图形。

import cv2 #opencv读取的格式是BGR
import numpy as np

pie = cv2.imread('D:\pie.png')
kernel = np.ones((7,7),np.uint8)
dilate = cv2.dilate(pie,kernel,iterations = 5)
erosion = cv2.erode(pie,kernel,iterations = 5)
gradient = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel)
cv2.imshow('gradient', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

八、礼帽和黑帽

礼帽相当于用原始输入减去开运算得到的结果，黑帽是闭运算减去原始输入的到的结果。
礼帽：

import cv2 #opencv读取的格式是BGR
import numpy as np

img = cv2.imread('D:\Benwei.png')
kernel = np.ones((3,3),np.uint8)
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
cv2.imshow('tophat', tophat)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果：

黑帽：

import cv2 #opencv读取的格式是BGR
import numpy as np

img = cv2.imread('D:\Benwei.png')
kernel = np.ones((3,3),np.uint8)
blackhat  = cv2.morphologyEx(img,cv2.MORPH_BLACKHAT, kernel)
cv2.imshow('blackhat ', blackhat )
cv2.waitKey(0)
cv2.destroyAllWindows()

效果（基本看不到什么了）：