python opencv 边缘检测与抠图_3. OpenCV-Python——图像梯度算法、边缘检测、图像金字塔与轮廓检测与傅里叶变换...

一、图像梯度算法

1、图像梯度-Sobel算子

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth:图像的深度

dx和dy分别表示水平和竖直方向

ksize是Sobel算子的大小

1 #*******************图像梯度算法**********************开始

2 importcv23 #import numpy as np

4

5 img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)6 cv2.imshow("img",img)7 cv2.waitKey()8 cv2.destroyAllWindows()9

10 #显示图像函数

11 defcv_show(img,name):12 cv2.imshow(name,img)13 cv2.waitKey()14 cv2.destroyAllWindows()15

16 #Sobel算子——x轴

17 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) #计算水平的

18 cv_show(sobelx,'sobelx')19

20 #白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值

21 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)22 sobelx = cv2.convertScaleAbs(sobelx) #取绝对值

23 cv_show(sobelx,'sobelx')24

25 #Sobel算子——y轴

26 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)27 sobely = cv2.convertScaleAbs(sobely) #取绝对值

28 cv_show(sobely,'sobely')29

30 #求和

31 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0) #按权重计算

32 cv_show(sobelxy,'sobelxy')33

34 #也有直接计算xy轴的————不推荐使用

35 #sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)

36 #sobelxy = cv2.convertScaleAbs(sobelxy)

37 #cv_show(sobelxy,'sobelxy')

38 #*******************图像梯度算法**********************结束

用lena图像来实际操作一下：

1 #*******************图像梯度算法-实际操作**********************开始

2 importcv23

4 #显示图像函数

5 defcv_show(img,name):6 cv2.imshow(name,img)7 cv2.waitKey()8 cv2.destroyAllWindows()9

10 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)11 cv_show(img,'img')12

13 #分别计算x和y

14 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)15 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)16 sobelx =cv2.convertScaleAbs(sobelx)17 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)18 sobely =cv2.convertScaleAbs(sobely)19 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)20 cv_show(sobelxy,'sobelxy')21 #*******************图像梯度算法-实际操作**********************结束

      

2、图像梯度-Scharr和Laplacian算子

(1)Scharr算子

(2)Laplacian算子

(3)不同算子之间的差距

1 #*******************图像梯度算子-Scharr+laplacian**********************开始

2 importcv23 importnumpy as np4

5 #不同算子的差异

6 img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)7 sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)8 sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)9 sobelx =cv2.convertScaleAbs(sobelx)10 sobely =cv2.convertScaleAbs(sobely)11 sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)12

13 scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)14 scharry = cv2.Scharr(img,cv2.CV_64F,0,1)15 scharrx =cv2.convertScaleAbs(scharrx)16 scharry =cv2.convertScaleAbs(scharry)17 scharrxy = cv2.addWeighted(scharrx,0.5,scharry,0.5,0)18

19 laplacian =cv2.Laplacian(img,cv2.CV_64F)20 laplacian =cv2.convertScaleAbs(laplacian)21

22 res =np.hstack((sobelxy,scharrxy,laplacian))23

24 #显示图像函数

25 defcv_show(img,name):26 cv2.imshow(name,img)27 cv2.waitKey()28 cv2.destroyAllWindows()29 cv_show(res,'res')30 #*******************图像梯度算子-Scharr+laplacian**********************结束

二、边缘检测

Canny边缘检测

1) 使用高斯滤波器，以平滑图像，滤除噪声。

2) 计算图像中每个像素点的梯度强度和方向。

3) 应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应。

4) 应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。

5) 通过抑制孤立的弱边缘最终完成边缘检测。

1、高斯滤波器

2、梯度和方向

3、非极大值抑制

4、双阈值检测

1 #*******************边缘检测**********************开始

2 importcv23 importnumpy as np4

5 img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)6

7 v1=cv2.Canny(img,80,150) #设置双阈值 最小和最大

8 v2=cv2.Canny(img,50,100)9

10 res =np.hstack((v1,v2))11

12 #显示图像函数

13 defcv_show(img,name):14 cv2.imshow(name,img)15 cv2.waitKey()16 cv2.destroyAllWindows()17 cv_show(res,'res')18 #*******************边缘检测**********************结束

三、图像金字塔

1、高斯金字塔

(1)高斯金字塔：向下采样方法(缩小)

(2)高斯金字塔：向上采样方法(放大)

1 #*******************图像金字塔--高斯金字塔**********************开始

2 importcv23 importnumpy as np4

5 #显示图像函数

6 defcv_show(img,name):7 cv2.imshow(name,img)8 cv2.waitKey()9 cv2.destroyAllWindows()10

11 img=cv2.imread("AM.png")12 #cv_show(img,'img')

13 print(img.shape)14

15 #高斯金字塔-上采样 (可执行多次)

16 up=cv2.pyrUp(img)17 #cv_show(up,'up')

18 print(up.shape)19

20 #高斯金字塔-下采样 (可执行多次)

21 down=cv2.pyrDown(img)22 #cv_show(down,'down')

23 print(down.shape)24

25 #高斯金字塔-先上采样再下采样 (会损失信息-变模糊)

26 up=cv2.pyrUp(img)27 up_down=cv2.pyrDown(up)28 #cv_show(up_down,'up_down')

29 cv_show(np.hstack((img,up_down)),'up_down')30 #*******************图像金字塔--高斯金字塔**********************结束

2、拉普拉斯金字塔

1 #*******************图像金字塔-拉普拉斯金字塔**********************开始

2 importcv23 importnumpy as np4

5 #显示图像函数

6 defcv_show(img,name):7 cv2.imshow(name,img)8 cv2.waitKey()9 cv2.destroyAllWindows()10

11 img=cv2.imread("AM.png")12 down=cv2.pyrDown(img)13 down_up=cv2.pyrUp(down)14 l_1=img-down_up15 cv_show(l_1,'l_1')16 #*******************图像金字塔-拉普拉斯金字塔**********************结束

四、图像轮廓

cv2.findContours(img,mode,method)

mode:轮廓检索模式

RETR_EXTERNAL ：只检索最外面的轮廓；

RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中；

RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界;

RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次;

method:轮廓逼近方法

CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形(顶点的序列)。

CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分。

为提高准确性，使用二值图像。

1、轮廓检测及绘制

1 #*******************图像轮廓**********************开始

2 importcv23 importnumpy as np4

5 #读入图像转换为二值图像

6 img = cv2.imread('contours.png')7 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #转换为灰度图

8 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) #转换成二值图

9

10 #显示图像函数

11 defcv_show(img,name):12 cv2.imshow(name,img)13 cv2.waitKey()14 cv2.destroyAllWindows()15 #cv_show(thresh,'thresh')

16

17 #轮廓检测 第一个就是二值的结果 第二个是一堆轮廓点 第三个是层级

18 binary, contours, hierarchy =cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)19

20 #绘制轮廓

21 draw_img = img.copy() #注意需要copy,要不原图会变。。。

22 res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) #传入绘制图像，轮廓，轮廓索引(-1全部)，颜色模式，线条厚度

23 #cv_show(res,'res')

24

25 draw_img =img.copy()26 res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)27 cv_show(res,'res')28 #*******************图像轮廓**********************结束

2、轮廓特征

1 importcv22

3 #读入图像转换为二值图像

4 img = cv2.imread('contours.png')5 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #转换为灰度图

6 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) #转换成二值图

7

8 #轮廓检测 第一个就是二值的结果 第二个是一堆轮廓点 第三个是层级

9 binary, contours, hierarchy =cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)10

11 #绘制轮廓

12 draw_img =img.copy()13 res = cv2.drawContours(draw_img, contours, 2, (0, 0, 255), 2)14

15 #轮廓特征

16 cnt = contours[0] #获取轮廓

17 print(cv2.contourArea(cnt)) #计算面积

18 print(cv2.arcLength(cnt, True)) #计算周长，True表示闭合的

3、轮廓近似

1 importcv22

3 img = cv2.imread('contours2.png')4 #显示图像函数

5 defcv_show(img,name):6 cv2.imshow(name,img)7 cv2.waitKey()8 cv2.destroyAllWindows()9

10 #二值+轮廓检测

11 gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)12 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)13 binary, contours, hierarchy =cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)14 cnt =contours[0]15 #轮廓绘制

16 draw_img =img.copy()17 res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)18 #cv_show(res,'res')

19

20 #轮廓近似

21 epsilon = 0.05*cv2.arcLength(cnt,True)22 approx =cv2.approxPolyDP(cnt,epsilon,True)23

24 draw_img =img.copy()25 res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)26 cv_show(res,'res')

(1)边界矩形

1 #*******************图像轮廓-边界矩形**********************开始

2 importcv23

4 #显示图像函数

5 defcv_show(img,name):6 cv2.imshow(name,img)7 cv2.waitKey()8 cv2.destroyAllWindows()9

10 img = cv2.imread('contours.png')11

12 gray =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)13 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)14 binary, contours, hierarchy =cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)15 cnt =contours[0]16

17 #边界矩形

18 x,y,w,h =cv2.boundingRect(cnt)19 img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)20 cv_show(img,'img')21 #轮廓面积与边界矩形比

22 area =cv2.contourArea(cnt)23 x, y, w, h =cv2.boundingRect(cnt)24 rect_area = w *h25 extent = float(area) /rect_area26 print ('轮廓面积与边界矩形比',extent)27 #*******************图像轮廓-边界矩形**********************结束

(2)外接圆

1 #外接圆

2 (x,y),radius =cv2.minEnclosingCircle(cnt)3 center =(int(x),int(y))4 radius =int(radius)5 img = cv2.circle(img,center,radius,(0,255,0),2)6 cv_show(img,'img')

五、傅里叶变换

1、傅里叶的作用

高频：变化剧烈的灰度分量，例如边界

低频：变化缓慢的灰度分量，例如一片大海

2、滤波

低通滤波器：只保留低频，会使得图像模糊

高通滤波器：只保留高频，会使得图像细节增强

opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式，得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，通过shift变换。

3、傅里叶变换

1 #*******************傅里叶变换**********************开始

2 importnumpy as np3 importcv24 from matplotlib importpyplot as plt5

6 img = cv2.imread('lena.jpg',0)7

8 img_float32 =np.float32(img)9

10 #傅里叶变换

11 dft = cv2.dft(img_float32, flags =cv2.DFT_COMPLEX_OUTPUT)12 dft_shift = np.fft.fftshift(dft) #低频值移动到中间

13

14 #对两通道进行转换——映射公式

15 magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))16

17 plt.subplot(121),plt.imshow(img, cmap = 'gray')18 plt.title('Input Image'), plt.xticks([]), plt.yticks([])19 plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')20 plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])21 plt.show()22 #*******************傅里叶变换**********************结束

4、高通、低通滤波器

低通滤波器：

1 #*******************低通滤波器**********************开始

2 importnumpy as np3 importcv24 from matplotlib importpyplot as plt5

6 img = cv2.imread('lena.jpg',0)7

8 img_float32 =np.float32(img)9

10 #傅里叶变换

11 dft = cv2.dft(img_float32, flags =cv2.DFT_COMPLEX_OUTPUT)12 dft_shift =np.fft.fftshift(dft)13

14 rows, cols =img.shape15 crow, ccol = int(rows/2) , int(cols/2) #中心位置

16

17 #低通滤波

18 mask = np.zeros((rows, cols, 2), np.uint8) #掩码

19 mask[crow-30:crow+30, ccol-30:ccol+30] = 1 #区域

20

21 #IDFT

22 fshift = dft_shift*mask #掩码结合

23 f_ishift = np.fft.ifftshift(fshift) #位置还原

24 img_back = cv2.idft(f_ishift) #傅里叶逆变换

25 img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) #图像转换

26

27 plt.subplot(121),plt.imshow(img, cmap = 'gray')28 plt.title('Input Image'), plt.xticks([]), plt.yticks([])29 plt.subplot(122),plt.imshow(img_back, cmap = 'gray')30 plt.title('Result'), plt.xticks([]), plt.yticks([])31

32 plt.show()33 #*******************低通滤波器**********************结束

高通滤波器：

1 #*******************高通滤波器**********************开始

2 importnumpy as np3 importcv24 from matplotlib importpyplot as plt5

6 img = cv2.imread('lena.jpg',0)7

8 img_float32 =np.float32(img)9

10 dft = cv2.dft(img_float32, flags =cv2.DFT_COMPLEX_OUTPUT)11 dft_shift =np.fft.fftshift(dft)12

13 rows, cols =img.shape14 crow, ccol = int(rows/2) , int(cols/2) #中心位置

15

16 #高通滤波

17 mask = np.ones((rows, cols, 2), np.uint8) #掩码

18 mask[crow-30:crow+30, ccol-30:ccol+30] =019

20 #IDFT

21 fshift = dft_shift*mask22 f_ishift =np.fft.ifftshift(fshift)23 img_back =cv2.idft(f_ishift)24 img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])25

26 plt.subplot(121),plt.imshow(img, cmap = 'gray')27 plt.title('Input Image'), plt.xticks([]), plt.yticks([])28 plt.subplot(122),plt.imshow(img_back, cmap = 'gray')29 plt.title('Result'), plt.xticks([]), plt.yticks([])30

31 plt.show()32 #*******************高通滤波器**********************结束