OpenCV初学总结

今天初学OpenCV，目前还没学到图像识别的地方，只是停留在对图片的处理上。

下面就让我来总结一下，学了一个下午的收获有哪些吧。

函数使用查表

图像.shape：
这是一个列表，返回至多3个数，(h,w,颜色通道数)

类型转换：
im = cv2.cvtColor(图片，cv2.COLOR_类型2类型(类型名大写，RGB/BGR/HSV))

使图片按变换矩阵变：
im = warpAffine(图像，变换矩阵，(w,h)(原图形的参数))

旋转系数矩阵：
im = cv2.getRotationMatrix2D(旋转中心((x,y)坐标)，角度(以逆时针为为正)，缩放倍数)

镜像：
im = cv2.flip(图像， 0(水平镜像)/1(垂直镜像))

缩放：
im = cv2.resize(图像，目标图像大小(w,h)，模式 = (…))
‘模式’可选：cv2.INTER_NEAREST(最临近插值)，INTER_LINEAR(双线性插值)

中值滤波：
im_medianblur = cv2.medianBlur(图像，滤波的参考范围(如 5))
均值滤波：
im_meanblur = cv2.blur(图像，滤波的参考范围(如 (3,3)))
高斯滤波：
im_gaussianblur = cv2.GaussianBlur(图像，滤波的参考范围(如 (5,5))，0)

滤波器：
im = cv2.filter2D(图像，-1，算子矩阵(一个矩阵，为np.array类型))

基本操作

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取
im = cv2.imread(r"girl.jpg", 0) # 表示以黑白读入
im = cv2.imread(r"girl.jpg", 1) # 表示以彩色读入(默认)

# 绘制
cv2.imshow("test",im)
# 保存
cv2.imwrite('baocun.jpg',im)

#大小
print(im.shape) # 输出 (h,w,颜色通道数)高，宽，颜色通道数

cv2.waitKey() # 表示等待
cv2.destroyAllWindows() 

对图像进行简单处理

图片的配色转换：bgr(标准), gray(灰度), rgb(红蓝互换), hsv(色调，饱和度，明度)

函数名很好记，cv2.cvtColor(图片，cv2.COLOR_类型2类型)，2就是to嘛

im = cv2.imread(r"girl.jpg")
cv2.imshow("bgr", im)
img_gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", img_gray)
img_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)
cv2.imshow("rgb", img_rgb)
img_hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSL)
cv2.imshow("hsv", img_hsv)

缩放

因为缩放了，所以中间就会产生一些空白格子，这个时候需要一些算法将其进行填充。
这里给出了两种方法：

最临近插值 INTER_NEAREST
双线性插值 INTER_LINEAR

cv2.resize(图像，目标图像大小(w,h)，模式 = (…))
模式可选：cv2.INTER_NEAREST(最临近插值)，INTER_LINEAR(双线性插值)

im = cv2.imread(r"girl.jpg")
cv2.imshow("ori", im)
(h, w) = im.shape[:2]

dst_size = (200, 300)
method = cv2.INTER_NEAREST # 最邻近插值
resized = cv2.resize(im, dst_size, interpolation = method)
cv2.imshow('resized1', resized)

dst_size = (800, 600)
method = cv2.INTER_LINEAR # 双线性插值
resized = cv2.resize(im, dst_size, interpolation = method)
cv2.imshow('resized2', resized)

cv2.waitKey()
cv2.destroyAllWindows()

平移

难点在于自己设计转换矩阵，设计方法见代码

将变换矩阵变成现实图像的是函数warpAffine。
im = warpAffine(图像，变换矩阵，(w,h)(原图形的参数))

def translate(img, x, y):
    (h, w) = img.shape[:2]
    M = np.float32([[1, 0, x], [0, 1, y]])
    shifted = cv2.warpAffine(img, M, (w,h))
    return shifted

im = cv2.imread(r"girl.jpg",1)
cv2.imshow("bgr", im)

shifted = translate(im, 0, 50)
cv2.imshow("shift1", shifted)
shifted = translate(im, -100, 0)
cv2.imshow("shift2", shifte d)
shifted = translate(im, 50, 100)
cv2.imshow("shift3", shifted)

cv2.waitKey()
cv2.destroyAllWindows()

旋转

旋转跟平移类似，不过这次的变化矩阵要用一个getRotationMatrix2D函数来生成。

getRotationMatrix2D(旋转中心((x,y)坐标)，角度(以逆时针为为正)，缩放倍数)

def rotate(img, angle, center=None, scale=1.0):
    (h, w) = img.shape[:2]
    if center is None:
        center = (w/2, h/2) # 不写默认以中心为轴
    M = cv2.getRotationMatrix2D(center, angle, scale)
    rotated = cv2.warpAffine(img, M, (w,h))
    return rotated

im = cv2.imread(r"girl.jpg")
cv2.imshow("bgr", im)
rotated = rotate(im, 45)
cv2.imshow('rotate1', rotated)
rotated = rotate(im, -90)
cv2.imshow('rotate2', rotated)
cv2.waitKey()
cv2.destroyAllWindow()

镜像

使用函数flip即可完成

cv2.flip(图像， 0/1)
0表示水平镜像
1表示垂直镜像

im = cv2.imread(r"girl.jpg")
cv2.imshow("org", im)
# 水平镜像
im_flip0 = cv2.flip(im, 0)
cv2.imshow('flip vet', im_flip0)
# 垂直镜像
im_flip1 = cv2.flip(im, 1)
cv2.imshow('flip hori', im_flip1)
cv2.waitKey()
cv2.destroyAllWindow()

灰度变换

输入一张黑白图像，使其灰度值按照某种方式进行改变。

线性灰度变换

灰度拉伸：灰度值变大，图像灰度对比更明显
灰度压缩：灰度值变小，图像灰度对比变模糊
灰度反转：类似于取负

明显看到有$kx+b$的函数变换
关键函数是LUT，look up table，i.e.查表，可以将一团数字转换成一张图像？

cv2.LUT(图像，)？？？

def linear_trans(img, k, b=0):
    trans_list = [(np.float32(x)*k+b) for x in range(256)]
    trans_table = np.array(trans_list)
    trans_table[trans_table>255] = 255
    trans_table[trans_table<0] = 0
    trans_table = np.round(trans_table).astype(np.uint8)
    return cv2.LUT(img, trans_table)

im = cv2.imread(r"girl.jpg",0)
cv2.imshow("ori", im)

im_inversion = linear_trans(im, -1, 255)
cv2.imshow('inversion', im_inversion) # 灰度反转
im_stretch = linear_trans(im, 1.2)
cv2.imshow('graystretch', im_stretch) # 灰度拉伸：使得图片灰度对比更明显
im_compress = linear_trans(im, 0.8)
cv2.imshow('graycompress', im_compress) # 灰度压缩：使得图片灰度对比变模糊
cv2.waitKey()
cv2.destroyAllWindows()

grammar灰度变换

换了一种灰度值计算方法罢了

def gamma_trans(img, gamma):
    # 先归一化到 1，做伽马计算，再还原到[0,255]
    gamma_list = [np.power(x / 255.0, gamma) * 255.0 for x in range(256)]
    gamma_table = np.round(np.array(gamma_list)).astype(np.uint8)
    # 使用 OpenCV 的 look up table 函数修改图像的灰度值
    return cv2.LUT(img, gamma_table)

im = cv2.imread(r"girl.jpg")
cv2.imshow("ori", im)

im_gama05 = gamma_trans(im, 0.5)
cv2.imshow('gamma0.5', im_gama05)
im_gama2 = gamma_trans(im, 2)
cv2.imshow('gamma2', im_gama2)

cv2.waitKey()
cv2.destroyAllWindows()

图像去噪

直方图显示灰度值

im = cv2.imread(r"girl.jpg", 0)
cv2.imshow("ori", im)

plt.hist(im.ravel(), 256, [0,256])
plt.show()
cv2.waitKey()
cv2.destroyAllWindows()

直方图均衡化

根据直方图的分布，使其变得均衡
im = cv2.equalizeHist(图像)

im = cv2.imread(r"girl.jpg", 0)
cv2.imshow('org', im)

im_equ1 = cv2.equalizeHist(im) # 直方图均衡化
cv2.imshow('equal', im_equ1)

plt.subplot(2,1,1)
plt.hist(im.ravel(), 256, [0,256], label='org')
plt.legend()
plt.subplot(2,1,2)
plt.hist(im_equ1.ravel(), 256, [0,256], label='equalize')
plt.legend()
plt.show()

中值滤波，均值滤波，高斯滤波

可直接调用函数，亦可手写算子

中值滤波：
im_medianblur = cv2.medianBlur(图像，滤波的参考范围(如 5))
均值滤波：
im_meanblur = cv2.blur(图像，滤波的参考范围(如 (3,3)))
高斯滤波：
im_gaussianblur = cv2.GaussianBlur(图像，滤波的参考范围(如 (5,5))，0)

im = cv2.imread(r"girl.jpg")
cv2.imshow("ori", im)

im_medianblur = cv2.medianBlur(im, 5) # 中值滤波
cv2.imshow('medianblur', im_medianblur)
im_meanblur = cv2.blur(im, (3,3)) # 均值滤波
cv2.imshow('meanblur', im_meanblur)
im_gaussianblur = cv2.GaussianBlur(im, (5,5), 0) # 高斯滤波
cv2.imshow('gaussianblur', im_gaussianblur)

cv2.waitKey()
cv2.destroyAllWindows()

手写算子代码
(无中值滤波)

手写算子后，利用算子进行计算的函数cv2.filter2D，( 翻译 ‘filter’ 就是滤波器的意思
cv2.filter2D(图像，-1，算子矩阵(一个矩阵，为np.array类型))

# 手写mean算子
im = cv2.imread(r"girl.jpg",1)
mean_blur = np.ones([3,3], np.float32)/9
im_meanblur2 = cv2.filter2D(im, -1, mean_blur)
cv2.imshow('meanblur2', im_meanblur2)
cv2.waitKey()
cv2.destroyAllWindows()

# 手写gaussian算子
gaussian_blur = np.array([
    [1,4,7,4,1],
    [4,16,26,16,4],
    [7,26,41,26,7],
    [4,16,26,16,4],
    [1,4,7,4,1]], np.float32)/273
im_gaussianblur2 = cv2.filter2D(im, -1, gaussian_blur)
cv2.imshow('gaussian2', im_gaussianblur2)
cv2.waitKey()
cv2.destroyAllWindows()

锐化

锐化会让图片变得更加棱角分明，这种算法下，每个点的颜色会受气附近点的影响而加强，产生类似边缘效应。

im = cv2.imread(r"girl.jpg")
cv2.imshow("ori", im)

sharpen_1 = np.array([
    [-1,-1,-1],
    [-1,9,-1],
    [-1,-1,-1]
])
im_sharpen1 = cv2.filter2D(im, -1, sharpen_1)
cv2.imshow('sharpen1', im_sharpen1)

sharpen_2 = np.array([
    [0,-1,0],
    [-1,8,-1],
    [0,-1,0]
])/4.0
im_sharpen2 = cv2.filter2D(im, -1, sharpen_2)
cv2.imshow('sharpen2', im_sharpen2)

cv2.waitKey()
cv2.destroyAllWindows()