【OpenCV】OpenCV常用函数合集【持续更新】
目录
-
-
- 1.输入、显示和保存图像
- 2.读取、显示、保存和处理视频
- 3.画线，画圆，画矩形，画多边形，显示文字
- 4.框住并得到目标位置（获取鼠标消息）
- 5.滑动条作调色板
- 6.图像基础操作：像素、属性、ROI、通道、填充
- 7.图像运算：加法、混合
- 8.性能检测和优化
- 9.颜色空间转换
- 10.图像几何变换：扩展缩放、平移、旋转、仿射变换、透视变换
- 11.图像二值化：简单阈值，自适应阈值，Otsu阈值
- 12.图像平滑：平均、高斯、中值、双边滤波
- 13.图像形态学转换
- 14.图像梯度：各种算子
- 15.图像金字塔
- 16.图像轮廓
- 17.直方图计算绘制、均衡化、反向投影、2D投影
- 18.图像变换：傅里叶变换
- 19.图像模板匹配
- 20.Hough直线变换
- 21.Hough 圆环变换
- 22.GrabCut算法进行交互式前景提取
- 23.角点检测
- 24.SIFT算法
- 25.ORB算法
-
1.输入、显示和保存图像
关键函数：
- 读取：imread()
- 显示：imshow()
- 保存：imwrite()
- 窗口：namedWindow()
import cv2 #引用模块
'''输入图像'''
img = cv2.imread('xxx.jpg',1)
'''显示图像'''
cv2.namedWindow('img_win',cv2.WINDOW_NORMAL)#设置一个名为img_win的窗口，窗口属性为NORMAL
cv2.imshow('img_win',img)
k = cv2.waitKey(0)
if k==27: #ESC
cv2.destroyAllWindows()
elif k==ord('s') : #按下s
cv2.imwrite('xxx.jpg',img) '''保存图像'''
cv2.destroyAllWindows()
2.读取、显示、保存和处理视频
关键函数：
- VideoCapture()，参数为0为读取摄像头，参数为文件名读取对应视频文件
import cv2
'''读取摄像头'''
def CapFromCamera():
cap = cv2.VideoCapture(0)
while(True):
ret, frame = cap.read() #读取帧
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) #灰度化展示（简单对其进行处理）
cv2.imshow('frame',gray)
if cv2.waitKey(1) & 0xFF == ord('q'): #按‘q’退出
break
#释放资源并关闭窗口
cap.release()
cv2.destroyAllWindows()
'''读取视频'''
def CapFromVedio():
cap = cv2.VideoCapture('xxx.mp4')
while(cap.isOpened()):
ret, frame = cap.read()
cv2.imshow('frame',frame)
if cv2.waitKey(50) & 0xFF == 27: #按ESC退出
break
cap.release()
cv2.destroyAllWindows()
3.画线，画圆，画矩形，画多边形，显示文字
关键函数：
- 线：line()
- 矩形：rectangle()
- 圆：circle()
- 多边形：polylines()
- 显示文字：putText()
import cv2
import numpy as np
img=cv2.imread('fish.png',1)
# 从img的（1，1）位置,直线画到（100，100）位置，颜色BGR为（255，0，0）,粗细为5
cv2.line(img,(1,1),(100,100),color=(255,0,0),thickness=5) '''1.画线'''
cv2.rectangle(img,(10,9),(281,127),(0,255,0),5) '''2.画矩形'''
#圆的话只需要指定半径和圆心
cv2.circle(img,(50,50),50,(0,0,255),5) '''3.画圆'''
#画多边形
pts=np.array([[10,5],[20,30],[70,20],[50,10]], np.int32)
pts=pts.reshape((-1,1,2))
cv2.polylines(img,[pts],True,(255,255,0),3) '''4.多边形'''
#写字
cv2.putText(img,"Hello world",(100,100),cv2.FONT_HERSHEY_SIMPLEX,4,(255,0,255),3) '''5.显示文字'''
cv2.imshow('img',img)
cv2.waitKey(0)
4.框住并得到目标位置（获取鼠标消息）
- setMouseCallback()：回调函数，第一个参数为窗口名，需要自己设计；第二个参数为自己写的函数，在这里我写了一个可以对目标进行框定和位置获取的函数。
import cv2
# 查看鼠标支持的操作
events=[i for i in dir(cv2) if 'EVENT'in i]
print(events)
img = cv2.imread('car.png')
cv2.namedWindow('image')
#画笔
drawing_flag=True
s_x,s_y=0,0
def draw(event,x,y,flags,param):
global s_x,s_y,drawing_flag,img,img_t
if event==cv2.EVENT_MOUSEMOVE: #如果是：移动鼠标
if drawing_flag==True:
img = cv2.imread('car.png')
cv2.line(img, (x, 0), (x, img.shape[1]), color=(0, 255, 0), thickness=1)
cv2.line(img, (0, y), (img.shape[1], y), color=(0, 255, 0), thickness=1)
if event==cv2.EVENT_LBUTTONDOWN:#如果是：按下左键
s_x=x
s_y=y
print("第一个坐标："+str(x)+","+str(y))
elif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:#如果是：移动同时左键按下
img = cv2.imread('car.png')
cv2.rectangle(img, (s_x, s_y), (x, y), (255, 0, 0), 3)
elif event==cv2.EVENT_LBUTTONUP:#如果左键松开
print("第二个坐标：" + str(x) + "," + str(y))
cv2.rectangle(img, (s_x, s_y), (x, y), (255, 0, 0), 3)
drawing_flag=False
cv2.setMouseCallback('image',draw)
while(1):
cv2.imshow('image',img)
if cv2.waitKey(10)&0xff==ord('q'):
break
cv2.destroyAllWindows()
5.滑动条作调色板
- createTrackbar()：创建一个滑动条
- getTrackbarPos()：获取滑动条的值
import cv2
import numpy as np
drawing_flag=True
s_x,s_y=0,0
def draw_circle_2(event,x,y,flags,param):
global s_x,s_y,drawing_flag,img
r = cv2.getTrackbarPos('R', 'image')
g = cv2.getTrackbarPos('G', 'image')
b = cv2.getTrackbarPos('B', 'image')
color = [b, g, r]
if event==cv2.EVENT_LBUTTONDOWN:#如果是：按下左键
s_x=x
s_y=y
elif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:#如果是：移动同时左键按下
if drawing_flag==True:
None
elif event==cv2.EVENT_LBUTTONUP:#如果左键松开
drawing_flag=False
cv2.rectangle(img, (s_x, s_y), (x, y), color, 3)
elif event==cv2.EVENT_RBUTTONDOWN:
img = np.ones((300, 500, 3), np.uint8)
def None1():
pass
img = np.ones((300,500,3),np.uint8)
cv2.namedWindow('image')
cv2.createTrackbar('R','image',0,255,None1)
cv2.createTrackbar('G','image',0,255,None1)
cv2.createTrackbar('B','image',0,255,None1)
switch='off\non'
cv2.createTrackbar(switch,'image',0,1,None1)
cv2.setMouseCallback('image', draw_circle_2)
while(1):
cv2.imshow('image',img)
k=cv2.waitKey(1)&0xFF
if k==27:
break
cv2.destroyAllWindows()
6.图像基础操作：像素、属性、ROI、通道、填充
- 像素：直接对原图数值进行更改
- 属性：size、dtype、shape
- ROI：感兴趣区域
- 通道：img的第三维的数值
- 填充：四周填充copyMakeBorder()
from cv2 import *
from matplotlib import pyplot as plt
img = imread('xxx.jpg',1)
# A.对老虎图片像素进行修改
#print(img) 像素
img[140:150,200:270,0:3]=0
#img[:,:,:2]=0 #使得图像为红色
putText(img,"Hello World",(150,80),FONT_HERSHEY_SIMPLEX,2,(0,255,255),4)
imshow('img',img)
# B.获取图像属性
print("像素总数:"+str(img.size)+"\n图像数据类型:"+str(img.dtype)+"\n图像大小"+str(img.shape))
# C.图像ROI
eye = img[140:150,200:270,0:3]
# D.拆分及合并图像通道
b=img[:,:,0]
g=img[:,:,1]
r=img[:,:,2]
#或
b_,g_,r_=split(img)
#img=merge(b_,g_,r_)
#E.图像填充
BLUE=[255,0,0]
img1=imread('xxx.jpg')
replicate = copyMakeBorder(img1,10,10,10,10,BORDER_REPLICATE)
reflect = copyMakeBorder(img1,10,10,10,10,BORDER_REFLECT)
reflect101 = copyMakeBorder(img1,10,10,10,10,BORDER_REFLECT_101)
wrap = copyMakeBorder(img1,10,10,10,10,BORDER_WRAP)
constant= copyMakeBorder(img1,10,10,10,10,BORDER_CONSTANT,value=BLUE)
plt.subplot(231),plt.imshow(img1,'gray'),plt.title('ORIGINAL')
plt.subplot(232),plt.imshow(replicate,'gray'),plt.title('REPLICATE')
plt.subplot(233),plt.imshow(reflect,'gray'),plt.title('REFLECT')
plt.subplot(234),plt.imshow(reflect101,'gray'),plt.title('REFLECT_101')
plt.subplot(235),plt.imshow(wrap,'gray'),plt.title('WRAP')
plt.subplot(236),plt.imshow(constant,'gray'),plt.title('CONSTANT')
plt.show()
waitKey(0)
7.图像运算：加法、混合
关键函数：
- 相加：add()
- 混合：addWeighted()，参数4和参数3表示参数3和参数1的混合比例
import cv2
import numpy as np
# 1.加法
img=np.zeros((500,500,1),np.uint8)
color = np.ones((500,500,1),np.uint8)
print(cv2.add(img,color))
# 2.混合
img1=cv2.imread('building01.jpg')
img = cv2.imread('xxx.jpg')
img =cv2.resize(img,(384,288))
dst=cv2.addWeighted(img1,0.7,img,0.5,0)
cv2.imshow('dst',dst)
cv2.waitKey(0)
8.性能检测和优化
关键函数：
- 获取时间点：getTickCount()
- 设置优化：setUseOptimized()
from cv2 import *
# 检测时间
e1=getTickCount()
'''
Code
'''
e2=getTickCount()
time=(e2-e1)/getTickFrequency()
print(time)
# 检测优化、开启优化
print(useOptimized())
setUseOptimized(False)
print(useOptimized())
setUseOptimized(True)
print(useOptimized())
'''
优化建议：
1. 尽量避免使用循环，尤其双层三层循环，它们天生就是非常慢的。
2. 算法中尽量使用向量操作，因为 Numpy 和 OpenCV 都对向量操作进行
了优化。
3. 利用高速缓存一致性。
4. 没有必要的话就不要复制数组。使用视图来代替复制。数组复制是非常浪
费资源的。
'''
9.颜色空间转换
关键函数：
- 颜色空间转换：cvtColor()
- 判断像素值是否在某区间：inrange()
import cv2
img = cv2.imread('xxx.png')
# 参数1：img_name 参数2：flag（还有其他类型的转换）
cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #将BGR颜色空间转换为GRAY（灰度化）
# hsv，mask_1
lower_ = np.array([0, 0,100])
upper_ = np.array([120 , 50, 240])
hsv = cv2.cvtColor(final, cv2.COLOR_BGR2HSV)#转换为HSV
mask_1 = cv2.inRange(hsv, lower_, upper_) #HSV在lower_到upper_的为255，否则设置为0
备注：可以利用这个方法，找到自己感兴趣的物体，从而进行跟踪
10.图像几何变换：扩展缩放、平移、旋转、仿射变换、透视变换
关键函数：
- 扩展缩放：resize()
- 仿射变换：warpAffine()
- 旋转辅助函数：getRotationMatrix2D()
- 透视变换：getPerspectiveTransform(),warpPerspective()
import cv2
import numpy as np
img = cv2.imread('xxx.jpg')
#缩放，推荐cv2.INTER_AREA，扩展推荐v2.INTER_CUBIC，cv2.INTER_LINEAR，默认cv2.INTER_LINEAR
'''resize函数'''
res=cv2.resize(img,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
#平移
'''warpAffine函数，接收2x3矩阵，前两列固定，后两列是平移长度'''
Mat = np.float32([[1,0,100],[0,1,50]])
res2=cv2.warpAffine(img,Mat,(300,300))
#旋转
# 这里的第一个参数为旋转中心，第二个为旋转角度，第三个为旋转后的缩放因子
# 可以通过设置旋转中心，缩放因子，以及窗口大小来防止旋转后超出边界的问题
'''getRotationMatrix2D函数，接收3x3矩阵'''
rows,cols=img.shape[:2]
M=cv2.getRotationMatrix2D((cols/2,rows/2),45,0.6)
res3=cv2.warpAffine(img,M,(300,300))
#仿射变换
'''getAffineTransform()函数，图像前的三个点，图像后的三个点，形成仿射变换'''
pts1=np.float32([[50,50],[150,50],[50,200]])
pts2=np.float32([[10,100],[50,50],[50,250]])
M1=cv2.getAffineTransform(pts1,pts2)
res4=cv2.warpAffine(img,M1,(cols,rows))
#透视变换
'''getPerspectiveTransform()函数，需要2个参数，图像前4个点，图像后4个点，一般用来矫正图像'''
img2=cv2.imread('xxx.jpg')
res5=cv2.resize(img2,None,fx=0.2,fy=0.2)
rows,cols,ch=img2.shape
pts3 = np.float32([[56,65],[368,52],[28,387],[389,390]])
pts4 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M2=cv2.getPerspectiveTransform(pts3,pts4)
res5=cv2.warpPerspective(res5,M2,(800,800))
while(1):
cv2.imshow('src', img)
cv2.imshow('res1',res)
cv2.imshow('res2',res2)
cv2.imshow('res3',res3)
cv2.imshow('res4',res4)
cv2.imshow('res5',res5)
if cv2.waitKey(1) & 0xFF==27:
break
11.图像二值化：简单阈值，自适应阈值，Otsu阈值
关键函数：
- 阈值分割：threshold()
- 自适应阈值：adaptiveThreshold()
import cv2
img = cv2.imread('xxx.png',0)
# 简单阈值
# 第四个参数可更改
ret,thread=cv2.threshold(img,126,245,cv2.THRESH_BINARY)
'''自适应阈值'''
img = cv2.medianBlur(img,5)
ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
#11 为 Block size, 2 为 C 值
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\
cv2.THRESH_BINARY,11,2)
'''OTSU阈值'''
ret3,th3 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
while(1):
cv2.imshow('src',img)
cv2.imshow('img_th1',thread)
cv2.imshow('img_th2',th2)
cv2.imshow('img_th3',th3)
if cv2.waitKey(1)& 0xFF==27:
break
12.图像平滑：平均、高斯、中值、双边滤波
关键函数：
- 滤波：blur()
- 高斯滤波：GaussianBlur()
- 中值滤波：medianBlur()
- 双边滤波：bilateralFilter()
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('xxx.jpg')
#均值
blur= cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title('src'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('blur'),plt.xticks([]),plt.yticks([])
#高斯
Gaussi=cv2.GaussianBlur(img,(5,5),0)
plt.subplot(122),plt.imshow(Gaussi),plt.title('Gaussian'),plt.xticks([]),plt.yticks([])
#中值滤波
median = cv2.medianBlur(img,5)
plt.subplot(122),plt.imshow(median),plt.title('median'),plt.xticks([]),plt.yticks([])
#双边滤波
bilateralFilter = cv2.bilateralFilter(img,9,75,75)
plt.subplot(122),plt.imshow(bilateralFilter),plt.title('bilateralFilter'),plt.xticks([]),plt.yticks([])
plt.show()
13.图像形态学转换
关键函数：
- 腐蚀、膨胀、开闭、梯度、礼帽黑帽详见代码
import cv2
import numpy as np
img = cv2.imread('xxx.png',0)
kernel = np.ones((17,17),np.uint8)
# 腐蚀
test1 = cv2.erode(img,kernel=kernel)
# 膨胀
test2 = cv2.dilate(img,kernel=kernel)
# 开运算
test3 = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel=kernel)
# 闭运算
test4 = cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel=kernel)
# 形态学梯度 膨胀-腐蚀
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
# 礼帽 原始图像与进行开运算之后得到的图像的差。
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
# 黑帽 进行闭运算之后得到的图像与原始图像的差
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)
while(1):
cv2.imshow('src',img)
cv2.imshow('test1',test1)
cv2.imshow('test2',test2)
cv2.imshow('test3', test3)
cv2.imshow('test4',test4)
cv2.imshow('gradient',gradient)
cv2.imshow('test6',tophat)
cv2.imshow('test7',blackhat)
if cv2.waitKey(0) & 0xFF==27:
break
14.图像梯度：各种算子
常见算子：
- 拉普拉斯： Laplacian()
- Sobel算子：Sobel()
- Canny算子：Canny()
import cv2
img=cv2.imread('XT.png',0)
#cv2.CV_64F 输出图像的深度（数据类型），可以使用-1, 与原图像保持一致 np.uint8
laplacian=cv2.Laplacian(img,cv2.CV_64F)
# 参数 1,0 为只在 x 方向求一阶导数，最大可以求 2 阶导数。
sobelx=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) # 参数 0,1 为只在 y 方向求一阶导数，最大可以求 2 阶导数。
sobely=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
Canny = cv2.Canny(img,100,240)
while(1):
cv2.imshow('src',img)
cv2.imshow('laplacian',laplacian)
cv2.imshow('sobelx',sobelx)
cv2.imshow('sobely', sobely)
cv2.imshow('Canny',Canny)
if cv2.waitKey(0) & 0xFF==27:
break
15.图像金字塔
关键函数：
- pyrDown()
- pyrUp()
import cv2
img = cv2.imread('xxx.jpg')
lower_reso = cv2.pyrDown(img)
high_reso = cv2.pyrUp(lower_reso)
cv2.imshow('img',high_reso)
cv2.waitKey(0)
16.图像轮廓
主要函数：
- 找轮廓 findContours
- 画轮廓 drawContours
其他：重心、周长、面积、轮廓近似、凸包、矩阵、最小外接圆、椭圆和直线拟合
from cv2 import *
img = imread('dog2.jpg',0)
imshow('img',img)
#绘制轮廓
ret,threah = threshold(img,127,255,0)
image, contours, hierarchy = findContours(threah,RETR_TREE,CHAIN_APPROX_NONE)
res= drawContours(img,contours,-1,(255,100,0),3)
imshow('threah',threah)
imshow('res',res)
cnt = contours[2]
M = moments(cnt)
#print(M)
#重心
cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])
# print(cx,cy)
#面积
area = contourArea(cnt)
# print(area)
#周长
perimeter = arcLength(cnt,True)
#print(perimeter)
#轮廓近似
epsilon = 0.1*arcLength(cnt,True)
approx = approxPolyDP(cnt,epsilon,True)
#凸包
hull = convexHull(cnt)
#凸性检测
k = isContourConvex(cnt)#False说明不是凸性
#print(k)
#直矩阵
x,y,w,h = boundingRect(cnt)
img = rectangle(img,(x,y),(x+w,y+h),(100,255,0),3)
imshow('img_b',img)
#旋转矩阵
x,y,w,h = boundingRect(cnt)
img = rectangle(img,(x,y),(x+w,y+h),(100,255,0),2)
#imshow('img_c',img)
#最小外接圆
(x,y),radius = minEnclosingCircle(cnt)
center = (int(x),int(y))#cv2.namedWindow('image')
radius = int(radius)
img = circle(img,center,radius,(100,240,0),2)
#imshow('img_r',img)
# 椭圆拟合
ellipse = fitEllipse(cnt)
img = ellipse(img,ellipse,(0,255,0),2)
# imshow('img_i',img)
#直线拟合
cols=img.shape[1]
[vx,vy,x,y] = fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
img = line(img,(cols-1,righty),(0,lefty),(0,255,0),2)
#print(hull)
waitKey(0)
17.直方图计算绘制、均衡化、反向投影、2D投影
关键函数：
- 计算直方图：calcHist()
- 绘制直方图(pyplot)：hist()
- 直方图均衡化：equalizeHist()
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('xxx.jpg',0)
cv2.imshow('xxx',img)
'''1.计算直方图'''
# 输入表示：原图、通道、Mask、BIN数目，范围
'''返回的参数hist是一个1x256的一维数组'''
hist = cv2.calcHist([img],[0],None,[256],[0,256])
print(hist)
#或者是np中的histogram来进行直方图的运算
#hist,bins = np.histogram(img.ravel(),256,[0,256])
'''2.绘制直方图'''
#这里可以使用matplotlib方式进行绘制，比较简单
plt.hist(img.ravel(),256,[0,256])
plt.show()
'''小实验A，绘制三通道彩色图'''
img = cv2.imread('xxx.jpg')
bgr=['b','g','r']
for i,color in enumerate(bgr):
hist = cv2.calcHist([img],[i],None,[256],[0,256])
plt.plot(hist,color=color)
plt.xlim([0,256])
cv2.imshow('img',img)
plt.show()
'''小实验B，利用numpy进行掩膜运算得到直方图'''
mask = np.zeros(img.shape[:2],np.uint8)
mask[100:200,300:400]=255
mask_img = cv2.bitwise_and(img,img,mask)
hist_full = cv2.calcHist([img],[0],None,[256],[0,256])
hist_mask = cv2.calcHist([img],[0],mask,[256],[0,256])
plt.subplot(221), plt.imshow(img, 'gray')
plt.subplot(222), plt.imshow(mask,'gray')
plt.subplot(223), plt.imshow(mask_img, 'gray')
plt.subplot(224), plt.plot(hist_full), plt.plot(hist_mask)
plt.xlim([0,256])
plt.show()
'''3.直方图均衡化'''
# img_3= cv2.imread('xxx.jpg')
# hist , bins= np.histogram(img_3.flatten(),256,[0,256])#flagtten函数可以将img_3转为一维
# #计算累计直方图
# cdf = hist.cumsum()
# cdf_normalized = cdf * hist.max()/ cdf.max()
# plt.plot(cdf_normalized, color = 'b')
# plt.hist(img.flatten(),256,[0,256], color = 'r')
# plt.xlim([0,256])
# plt.legend(('cdf','histogram'), loc = 'upper left')
# plt.show()
# # 构建 Numpy 掩模数组，cdf 为原数组，当数组元素为 0 时，掩盖（计算时被忽略）。
# cdf_m = np.ma.masked_equal(cdf,0)
# cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
# # 对被掩盖的元素赋值，这里赋值为 0
# cdf = np.ma.filled(cdf_m,0).astype('uint8')
# img_3_1=cdf[img_3]
img = cv2.imread('xxx.jpg',0)
equ = cv2.equalizeHist(img)
res = np.hstack((img,equ))
cv2.imshow('res.png',res)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)
res2 = np.hstack((img,cl1))
cv2.imshow('res1.png',res2)
'''4.2D直方图'''
#如果要绘制颜色直方图，需要将图像的颜色空间从BGR转换到HSV
#计算以为直方图，要从BGR转为HSV
img = cv2.imread('xxx.jpg')
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#channels为H、S两个通道，H通道为180，S通道为256
#取值范围H通道从0到180，S通道为0到256
hist = cv2.calcHist([hsv],[0,1],None,[180,256],[0,180,0,256])
#numpy中也有相关函数，histogram2d
#绘制直方图
plt.imshow(hist,interpolation='nearest')
plt.show()
'''5.直方图反向投影'''
# 直方图反向投影经常与图像分割密切联系
roi = cv2.imread('xxx_roi.png')
hsv = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV)
target = cv2.imread('xxx.jpg')
hsvt = cv2.cvtColor(target,cv2.COLOR_BGR2HSV)
roihist = cv2.calcHist([hsv],[0, 1], None, [180, 256], [0, 180, 0, 256] )
# 归一化：原始图像，结果图像，映射到结果图像中的最小值，最大值，归一化类型
#cv2.NORM_MINMAX 对数组的所有值进行转化，使它们线性映射到最小值和最大值之间
# 归一化之后的直方图便于显示，归一化之后就成了 0 到 255 之间的数了。
cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX)
dst = cv2.calcBackProject([hsvt],[0,1],roihist,[0,180,0,256],1) # Now convolute with circular disc
# 此处卷积可以把分散的点连在一起
disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
dst=cv2.filter2D(dst,-1,disc)
# threshold and binary AND
ret,thresh = cv2.threshold(dst,50,255,0) # 别忘了是三通道图像，因此这里使用 merge 变成 3 通道
thresh = cv2.merge((thresh,thresh,thresh))
# 按位操作
res = cv2.bitwise_and(target,thresh)
res = np.hstack((target,thresh,res))
# 显示图像
cv2.imshow('1',res)
cv2.waitKey(0)
18.图像变换：傅里叶变换
- 快速傅里叶变换（np）：fft()
- 傅里叶变换（opencv）:dft()
'''边界和噪声是图像中的高频分量'''
'''可以通过高频分量的分布来消除噪声点等'''
'''振幅谱是一个波或波列的振幅随频率的变化关系'''
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('xxx.jpg',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
# 这里构建振幅图的公式没学过
magnitude_spectrum = 20*np.log(np.abs(fshift))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
# 振幅谱
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
print(crow,ccol)
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)
# 取绝对值
img_back = np.abs(img_back)
plt.subplot(131),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(img_back, cmap = 'gray')
plt.title('Image after HPF'), plt.xticks([]), plt.yticks([])
plt.subplot(133),plt.imshow(img_back)
plt.title('Result in JET'), plt.xticks([]), plt.yticks([])
plt.show()
#opencv中的傅里叶变换
img = cv2.imread('xxx.jpg',0)
dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
# 高通滤波,如拉普拉斯算子
rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# apply mask and inverse DFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
19.图像模板匹配
关键函数：
- 模板匹配：matchTemplate()
import cv2
import numpy as np
from matplotlib import pyplot as plt
#单目标
img = cv2.imread('xxx.jpg',0)
img2 = img.copy()
template = cv2.imread('xxx_roi.png',0)
w, h = template.shape[::-1]
# 6中匹配的方式
methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR',
'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']
for meth in methods:
img = img2.copy()
method = eval(meth)
res = cv2.matchTemplate(img,template,method)
#cv2.imshow('imshow',res)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
#print(min_val,max_val,min_loc,max_loc)
# 使用不同的比较方法，对结果的解释不同
# If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimum
if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
top_left = min_loc
else:
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
cv2.rectangle(img,top_left, bottom_right, 255, 2)
plt.subplot(121),plt.imshow(res,cmap = 'gray')
plt.title('Matching Result'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img,cmap = 'gray')
plt.title('Detected Point'), plt.xticks([]), plt.yticks([])
plt.suptitle(meth)
plt.show()
#多目标
img_rgb = cv2.imread('cut.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('3_.png',0)
w, h = template.shape[::-1]
res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where( res >= threshold)
for pt in zip(*loc[::-1]):
cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2)
cv2.imshow('res.png',img_rgb)
cv2.waitKey(0)
多目标匹配：扫雷中“3”的个数
20.Hough直线变换
关键函数：
HoughLines()：详见代码
import cv2
import numpy as np
img = cv2.imread('xxx.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)
'''方式1'''
#第二、三个值是p和setae的精确度
lines = cv2.HoughLines(edges,1,np.pi/180,200)
for i in range(0,lines.shape[0]):
for rho,theta in lines[i]:
a = np.cos(theta)
b = np.sin(theta)
x0 = a*rho
y0 = b*rho
x1 = int(x0 + 1000*(-b))
y1 = int(y0 + 1000*(a))
x2 = int(x0 - 1000*(-b))
y2 = int(y0 - 1000*(a))
cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2)
cv2.imshow('houghlines.jpg',img)
cv2.waitKey(0)
'''方式2'''
#Probabilistic Hough Transform局部化霍夫变换
img = cv2.imread('xxx.jpg')
#img = cv2.resize(img,None,fx=0.2,fy=0.2)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)
minLineLength = 100
maxLineGap = 10
lines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)
for i in range(0,lines.shape[0]):
for x1,y1,x2,y2 in lines[i]:
cv2.line(img,(x1,y1),(x2,y2),(0,255,0),2)
cv2.imshow('img',img)
cv2.waitKey(0)
21.Hough 圆环变换
关键函数：
HoughCircles()：详见代码
import cv2
import numpy as np
img = cv2.imread('circle.jpg',0)
img = cv2.medianBlur(img,5)
cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)
circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,20,
param1=50,param2=30,minRadius=0,maxRadius=0)
circles = np.uint16(np.around(circles))
print(circles.shape)
for i in circles[0,:]:
cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2)
cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)
cv2.imshow('detected circles',cimg)
cv2.waitKey(0)
cv2.destroyAllWindows()
22.GrabCut算法进行交互式前景提取
关键函数：
grabCut()：详见函数
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('fish.png')
cv2.imshow('img',img)
mask = np.zeros(img.shape[:2],np.uint8)
bgdModel = np.zeros((1,65),np.float64)
fgdModel = np.zeros((1,65),np.float64)
rect = (1,1,283,129) # 函数的返回值是更新的 mask, bgdModel, fgdModel
cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)
mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')
img = img*mask2[:,:,np.newaxis]
plt.imshow(img),plt.colorbar(),plt.show()
'''或者使用mask方法，这样可以使之优化'''
cv2.waitKey(0)
原图：
提取后：
23.角点检测
关键函数：
- 角点检测：cornerHarris()
- 获得n个最佳角点：goodFeaturesToTrack()
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('xxx.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
# 输入图像必须是 float32，点大小，点偏离，
dst = cv2.cornerHarris(gray,2,3,0.05)
dst = cv2.dilate(dst,None)
img[dst>0.01*dst.max()]=[0,0,255]
cv2.imshow('dst',img)
cv2.waitKey(0)
#亚像素级精确度的角点
#得到N个最佳角点
img = cv2.imread('xxx.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#质量水平在0到1之间，4表示4个点
corners = cv2.goodFeaturesToTrack(gray,4,0.01,10) # 返回的结果是 [[ 311., 250.]] 两层括号的数组。
print(corners)
corners = np.int0(corners)
print(corners)
for i in corners:
x,y = i.ravel()
cv2.circle(img,(x,y),3,255,-1)
plt.imshow(img)
plt.show()
24.SIFT算法
使用函数要版权，所以可能用不了，另外，SURF，FAST也是需要版权的，我们只需要知道它的大致原理，还有其使用场景，SIFT算法利用了尺度不变性来进行图像关键点的提取，细节原理可参考其他资料
'''SIFT算法'''
import cv2
import numpy as np
# img = cv2.imread('rice.jpg')
# gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# sift = cv2.SIFT()
# kp = sift.detect(gray,None)
# img=cv2.drawKeypoints(gray,kp)
# cv2.imwrite('sift_keypoints.jpg',img)
'''
*****步骤******
尺度空间极值检测
关键点（极值点）定位
为关键点（极值点）指定方向参数
关键点描述符
关键点匹配
**************
'''
25.ORB算法
ORB是开源的，另外，利用SIFT，ORB算法等一般进行特征匹配
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('XT.png',0)
# Initiate STAR detector
orb = cv2.ORB_create()
# find the keypoints with ORB
kp = orb.detect(img,None)
# compute the descriptors with ORB
kp, des = orb.compute(img, kp)
img2 = img.copy()
# draw only keypoints location,not size and orientation
img2 = cv2.drawKeypoints(img,kp,img2,color=(0,255,0), flags=0)
plt.imshow(img2),plt.show()
