OpenCV图像处理总结 ——用opencv给图片换背景色为例

图像平滑
模糊/平滑图片来消除图片噪声

OpenCV函数：cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()

2D 卷积
OpenCV中用cv2.filter2D()实现卷积操作，比如我们的核是下面这样（3×3区域像素的和除以10）：

img = cv2.imread('lena.jpg')
# 定义卷积核
kernel = np.ones((3, 3), np.float32) / 10
# 卷积操作，-1表示通道数与原图相同
dst = cv2.filter2D(img, -1, kernel)

卷积操作，-1表示通道数与原图相同

dst = cv2.filter2D(img, -1, kernel)

定义卷## 标题积核

kernel = np.ones((3, 3), np.float32) / 10

卷积操作，-1表示通道数与原图相同

dst = cv2.filter2D(img, -1, kernel)

模糊和滤波
它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）

低通滤波器是模糊，高通滤波器是锐化

常见噪声有 椒盐噪声 和 高斯噪声 ，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。
均值滤波
均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，用 cv2.blur() 实现，如3×3的卷积核：

img = cv2.imread('lena.jpg')
# 均值模糊
blur = cv2.blur(img,(3,3)

高斯滤波
不同于均值滤波，高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小，类似于正态分布。

OpenCV中对应函数为 cv2.GaussianBlur(src,ksize,sigmaX) ,指定的高斯核的宽和高必须为奇数。

img = cv2.imread(‘gaussian_noise.bmp’)

均值滤波vs高斯滤波

blur = cv2.blur(img, (5, 5)) # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1) # 高斯滤波
参数3,${\sigma }_x$值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。

中值滤波
中值又叫中位数，是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。
img = cv2.imread(‘salt_noise.bmp’, 0)
双边滤波
操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。用cv2.bilateralFilter()函数实现：

img = cv2.imread(‘lena.jpg’)

形态学操作
包括膨胀、腐蚀、开运算和闭运算等形态学操作

OpenCV函数：cv2.erode(), cv2.dilate(), cv2.morphologyEx()

腐蚀
腐蚀的效果是把图片”变瘦”，其原理是在原图的小区域内取局部最小值。因为是二值化图，只有0和255，所以小区域内有一个是0该像素点就为0：

OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：

import cv2
import numpy as np
img = cv2.imread(‘j.bmp’, 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel) # 腐蚀
这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 十字结构

膨胀
膨胀与腐蚀相反，取的是局部最大值，效果是把图片”变胖”：

dilation = cv2.dilate(img, kernel) # 膨胀
开/闭运算
先腐蚀后膨胀叫开运算（因为先腐蚀会分开物体，这样容易记住），其作用是：分离物体，消除小区域。这类形态学操作用 cv2.morphologyEx() 函数实现：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
img = cv2.imread(‘j_noise_out.bmp’, 0)

开运算

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
闭运算则相反：先膨胀后腐蚀（先膨胀会使白色的部分扩张，以至于消除/“闭合”物体里面的小黑洞，所以叫闭运算）

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

形态学梯度
膨胀图减去腐蚀图，dilation - erosion，这样会得到物体的轮廓：
gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)
顶帽
原图减去开运算后的图：src - opening
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)
黑帽
闭运算后的图减去原图：closing - src
blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

给图片换背景的源代码。欢迎一起学习的小伙伴指教！

#imagechuli
import cv2
import time
import numpy as np

#图片名子
name = "1.jpg"
#程序计时
start = time.perf_counter()
#显示图片
img=cv2.imread("./input_image/3.jpg")
#图片缩放
img = cv2.resize(img,None,fx = 0.5,fy = 0.5)
rows,cols,channels = img.shape
#print(rows,cols,channels)
cv2.resizeWindow("origin", 0, 0);
#cv2.imshow("origin",img)
#转换为二值化图像
hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
rows,cols,channels = hsv.shape
    
#图片的二值化处理
lower_blue = np.array([90,70,70])
upper_blue = np.array([110,255,255])
mask = cv2.inRange(hsv,lower_blue,upper_blue)

def shap():
    
    #图像的腐蚀
    kernel = np.ones((4, 4), np.uint8)
    erode=cv2.erode(mask,kernel,iterations=1)
    #cv2.imshow("erode",erode)
    
    #膨胀操作
    kernel = np.ones((2, 2), np.uint8)
    dilate=cv2.dilate(erode,None,iterations=3)
    #cv2.imshow("dilate",dilate)
    #循环遍历
    for i in range(rows):
        for j in range(cols):
            if dilate[i,j]==255:
                img[i,j]=(0,0,255)#注意是BGR通道，不是RGB
    #cv2.imshow("res",img)
    bianyuanchuli()
    
    #cv2.destroyAllWindows()
    
def bianyuanchuli():
    #图像边缘检测的内核大小
    data = (900,1100)
    img_copy = img.copy()
    imgCanny = cv2.Canny(img, *data)
    #cv2.imshow("imgcanny",imgCanny)
    # 创建矩形结构
    g = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
    g2 = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
    # 膨化处理
    # 更细腻
    img_dilate = cv2.dilate(imgCanny, g,iterations=1)
    #cv2.imshow("img_dilate",img_dilate)
    # 更粗大
    img_dilate2 = cv2.dilate(imgCanny, g2)

    shape = img_dilate.shape
    # 提取
    for i in range(shape[0]):
        for j in range(shape[1]):
            if img_dilate2[i, j] == 0:  # 二维定位到三维
                img[i, j] = [0, 0, 0]
    #cv2.imshow('dst1', img)
    
    dst = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)

    for i in range(shape[0]):
        for j in range(shape[1]):
            if img_dilate[i, j] != 0:  # 二维定位到三维
                img_copy[i, j] = dst[i, j]

    #cv2.imshow('dst', img_copy)
    cv2.imwrite("./out_image/3.jpg",img_copy)  
    shap()
# 窗口等待的命令，0表示无限等待
cv2.destroyAllWindows()
cv2.waitKey(0)
dur = time.perf_counter() - start
print("程序总用时:{:.2f}s".format(dur))