python-OpenCV 之 常用API

边界扩充

函数语法：copyMakeBorder (src, dst, top, bottom, left, right, borderType, value)

参数	解释
Src	输入矩阵
Dst	输出矩阵，对src边界扩充后的结果
Top	上侧扩充的行数
Bottom	下侧扩充的行数
Left	左侧扩充的行数
Right	右侧扩充的行数
borderType （边界扩充类型）	BORDER_CONSTANT：常数扩充 BORDER_REPLICATE：边界复制 BORDER_REFLECT：反射扩充 BORDER_WRAP：平铺扩充 BORDER_REFLECT_101：以边界为中心反射扩充 BORDER_REFLECT101=BORDER_REFLECT_101 BORDER_DEFAULT=BORDER_REFLECT_101（这个经常是默认）
Value	borderType=BORDER_CONSTANT时填充的常数（或向量）

代码示例

import cv2 as cv

src1 = cv.imread("test.jpg")

# 原始图片
cv.namedWindow('window')
cv.imshow('window', src1)

# 复制-边界扩充
img1 = cv.copyMakeBorder(src1, 50, 50, 50, 50, cv.BORDER_REPLICATE)
cv.imshow('replicate', img1)
# reflect，边界反射扩充
img2 = cv.copyMakeBorder(src1, 50, 50, 50, 50, cv.BORDER_REFLECT)
cv.imshow('reflect', img2)
# consdent,常数扩充
img3 = cv.copyMakeBorder(src1, 50, 50, 50, 50, cv.BORDER_CONSTANT, value=[200, 200, 200])
cv.imshow('constent', img3)
# wrap,平铺扩充
img4 = cv.copyMakeBorder(src1, 50, 50, 50, 50, cv.BORDER_WRAP)
cv.imshow('warp', img4)

cv.waitKey()
cv.destroyAllWindows()

 

图像平滑

blur—图像均值平滑滤波

函数语法：blur(src, ksize, dst, anchor, borderType)

参数	解释
src	输入矩阵
ksize	注意这里是int型。若为大于1的奇数，则窗口大小为ksize × ksize
dst	输出矩阵
anchor（可选）	锚点
borderType（可选）	边界扩充类型

GaussianBlur—图像高斯平滑滤波

函数语法：GaussianBlur(src, ksize, sigmaX, dst, sigmaY, borderType)

参数	解释
Src	输入图像矩阵
ksize	滤波窗口（卷积核）尺寸
dst	输出矩阵
sigmaX（可选）	一维水平方向卷积核标准差
sigmaY（可选）	一维竖直方向卷积核标准差
borderType（可选）	边界扩充类型

 medianBlur—图像中值滤波

函数语法：medianBlur(src, ksize, dst)

参数	解释
Src	图像矩阵
ksize	滤波窗口尺寸
Dst	输出矩阵

bilateralFilter—图像双边滤波

函数语法：bilateralFilter(src, d, sigmaColor, sigmaSpace,  borderType)

参数	解释
Src	图像矩阵
d	像素邻域直径
sigmaColor	相似性权重矩阵标准差
sigmaSpace	空间距离权重标准差
borderType（可选）	边界扩充类型

代码示例：

import cv2 as cv
import numpy as np

# 原始图片
image = cv.imread("test.jpg")
cv.imshow('originalImage', image)
cv.waitKey()

# 1、blur—图像均值平滑滤波
# 函数原型：blur(src, ksize, dst=None, anchor=None, borderType=None)
# src：图像矩阵
# ksize：滤波窗口(算子)尺寸
# anchor:锚点
# borderType:边界扩充类型

# np.hstack():在水平方向上平铺
blurImage1 = np.hstack([cv.blur(image, (3, 3)), cv.blur(image, (5, 5)), cv.blur(image, (7, 7))])
cv.imshow('Averaged', blurImage1)
cv.waitKey()
cv.destroyWindow('Averaged')


# 2、GaussianBlur—图像高斯平滑滤波
# 函数原型：GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
# src：图像矩阵
# ksize：滤波窗口（卷积核）尺寸
# dst:输出矩阵
# sigmaX：一维水平方向卷积核标准差
# sigmaY：一维竖直方向卷积核标准差
# borderType:边界扩充类型
blurImage2 = np.hstack([cv.GaussianBlur(image, (3, 3), 0), cv.GaussianBlur(image, (5, 5), 0),
                        cv.GaussianBlur(image, (7, 7), 0)])
cv.imshow('Gaussian', blurImage2)
cv.waitKey()
cv.destroyWindow('Gaussian')


# 3、medianBlur—图像中值滤波
# 函数原型：medianBlur(src, ksize, dst=None)
# src：图像矩阵
# ksize：滤波窗口尺寸
# dst:输出矩阵
blurImage3 = np.hstack([cv.medianBlur(image, 3), cv.medianBlur(image, 5), cv.medianBlur(image, 7)])
cv.imshow('Median', blurImage3)
cv.waitKey()
cv.destroyWindow('Median')


# 4、bilateralFilter—图像双边滤波
# 函数原型：bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
# src：图像矩阵
# d：像素邻域直径
# sigmaColor：相似性权重矩阵标准差
# sigmaSpace：空间距离权重标准差
blurImage3 = np.hstack([cv.bilateralFilter(image, 5, 21, 21), cv.bilateralFilter(image, 7, 31, 31),
                        cv.bilateralFilter(image, 9, 41, 41)])
cv.imshow('Bilateral', blurImage3)
cv.waitKey()

cv.destroyAllWindows()

 

边缘检测

Sobel边缘检测

函数语法：Sobel( src, ddepth, dx, dy, ksize, scale, borderType) 

参数	解释
src	输入矩阵
ddepth	输出矩阵的数据类型
dx	当dx ≠ 0时，src与差分方向为水平方向上的Sobel核卷积
dy	当dx = 0，dy ≠ 0时，src与差分方向为垂直方向上的Sobel核卷积
ksize	Sobel核的尺寸，值为1，3，5，7
Scale（可选）	比例系数
Delta（可选）	平移系数
borderType（可选）	边界扩充类型

Canny边缘检测

函数语法：Canny(image, threshold1, threshole2, edges, apertureSize, L2gradient)

参数	解释
image	输入图像
threshold1	低阈值
threshold2	高阈值
Edges(可选)	输出边缘强度图像
apertureSize(可选)	Sobel核的窗口大小，默认3×3
L2gradient(可选)	计算总的边缘强度时使用的方式，值为true时代表使用的是平方和开方的方式，值为false代表使用的是绝对值和的方式。

Laplacian边缘检测

函数语法：placian(src, dst, ddepth, ksize, scale, delta, borderType )

参数	解释
src	输入矩阵
dst	输出矩阵
ddepth	输出矩阵的数据类型（位深）
Ksize(可选)	Laplacian核的类型
Scale(可选)	比例系数
delta(可选)	平移系数
borderType(可选)	边界扩充类型

代码示例：

import cv2 as cv

src = cv.imread('test5.jpg', flags=0)
cv.imshow('original_image', src)

# Sobels算子
sobel_x = cv.Sobel(src, cv.CV_8U, dx=1, dy=0, ksize=3)
cv.imshow('sobel_x', sobel_x)

sobel_y = cv.Sobel(src, cv.CV_8U, dx=0, dy=1, ksize=3)
cv.imshow('sobel_y', sobel_y)

sobel_xy2 = cv.Sobel(src, cv.CV_8U, dx=1, dy=1, ksize=3)
cv.imshow('sobel_xy', sobel_xy2)

# Canny边缘检测
Canny = cv.Canny(src, threshold1=40, threshold2=180)
cv.imshow('Canny', Canny)

# Laplacian边缘检测
laplacian = cv.Laplacian(src, cv.CV_8U)
cv.imshow('Laplacian', laplacian)

cv.waitKey()
cv.destroyAllWindows()

 

阈值分割

函数语法：ret, dst = cv2.threshold(src, thresh, maxval, type)

参数	解释
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	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
type	二值化操作的类型，包含以下5种类型： cv2.THRESH_BINARY：超过阈值部分取maxval（最大值），否则取0 cv2.THRESH_BINARY_INV：THRESH_BINARY的反转 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：THRESH_TOZERO的反转