opencv基础

颜色通道提取

img_cat = cv2.imread(“cat.png”)

img_cat_copy = img_cat.copy()

img_cat_copy[:, :, 0] = 0 # b

img_cat_copy[:, :, 1] = 0 # g

cv2.imshow(“cat_r”, img_cat_copy)

b, g, r = cv2.split(img_cat)

cv2.imshow(“cat_b”, b)

边界填充

cv2.copyMakeBorder()

cat = cv2.imread(“cat.png”)

print(cat.shape)

修改图像的尺寸

dog = cv2.imread(“dog.png”)

print(dog.shape)

dog1 = cv2.resize(dog, (0, 0), fx=2, fy=2)

print(dog1.shape)

图像融合（长，宽，通道数相同）

res = cv2.addWeighted(cat, 0.5, dog1, 0.5, 0)

cv2.imshow(“cat_dog”, res)

图像阈值

img_cat = cv2.imread(“cat.png”)

img_cat_gray = cv2.cvtColor(img_cat, cv2.COLOR_BGR2GRAY)

cv2.imshow(“gray”, img_cat_gray)

print(img_cat_gray.shape)

ret, dst = cv2.threshold(img_cat_gray, 10, 255, cv2.THRESH_BINARY)

print(ret) # ret=thresh

cv2.imshow(“cat”, dst)

# 滤波(去除一些小点干扰，但会使图像变得模糊)

img = cv2.imread(“lenanoise.png”)

cv2.imshow(“cat”, img)

# 均值滤波

blur = cv2.blur(img, (3, 3))

cv2.imshow(“cat_blur”, blur)

# 方框滤波

# 基本和均值一样，可以选择归一化

# 说明：当normalize=True时，与均值滤波结果相同，

# normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示

box1 = cv2.boxFilter(img, -1, (3, 3), normalize=True)

box2 = cv2.boxFilter(img, -1, (3, 3), normalize=False)

cv2.imshow(“boxFilter_True”, box1)

cv2.imshow(“boxFilter_False”, box2)

# 高斯滤波

# 高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间值

gaussian = cv2.GaussianBlur(img, (3, 3), 1)

cv2.imshow(“gaussian”, gaussian)

# 中值滤波

# 相当于中值代替

median = cv2.medianBlur(img, 3)

cv2.imshow(“median”, median)

# 形态学—腐蚀操作:将前景物体变小，理解成将图像断开裂缝变大（在图片上画上黑色印记，印记越来越大）

# （存在一个kernel，比如(3, 3)，在图像中不断的平移，在这个9方框中，哪一种颜色所占的比重大，9个方格中将都是这种颜色

# iteration迭代次数

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

print(kernel)

erosion5 = cv2.erode(img, kernel, iterations=2)

cv2.imshow(“erosion5”, erosion5)

# 形态学操作——膨胀操作:将前景物体变大，理解成将图像断开裂缝变小（在图片上画上黑色印记，印记越来越小)

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

erosion = cv2.erode(img, kernel, iterations=2)

cv2.imshow(“erosion”, erosion)

dilation = cv2.dilate(erosion, kernel, iterations=2)

cv2.imshow(“dilation”, dilation)

# 开运算和闭运算

# 1，开运算：先腐蚀后膨胀

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=2)

cv2.imshow(“openning”, opening)

# 2，闭运算：先膨胀后腐蚀

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=2)

cv2.imshow(“closing”, closing)

# 梯度运算

# 梯度=膨胀-腐蚀

pie = cv2.imread(“pie.png”)

cv2.imshow(“pie”, pie)

kernel = np.ones((3, 3), np.uint8)

# dilation = cv2.dilate(pie, kernel, iterations=2)

# erosion = cv2.erode(pie, kernel, iterations=2)

# res = dilation - erosion

# cv2.imshow(“res”, res)

res = cv2.morphologyEx(pie, cv2.MORPH_GRADIENT, kernel, iterations=2)

cv2.imshow(“res”, res)

# 礼帽与黑帽

# 1，礼帽 = 原始输入-开运算结果（刺）

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel, iterations=2)

cv2.imshow(“tophat”, tophat)

# 2,黑帽 = 闭运算结果-原始输入(框)

img = cv2.imread(“dige.png”)

cv2.imshow(“img”, img)

kernel = np.ones((3, 3), np.uint8)

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel,iterations=2)

cv2.imshow(“blackhat”, blackhat)

# 图像梯度—Sobel算子:白到黑是正数，黑道白是负数。要取绝对值（cv2.covertscaleAbs()）

# 图像梯度计算的是图像变化的速度。一般情况下，图像梯度计算的是图像的边缘信息。

# ddepth: 输出图像的深度（可以理解为数据类型），-1表示与原图像相同的深度

# 图像深度是指存储每个像素值所用的位数，例如cv2.CV_8U，指的是8位无符号数，取值范围为0~255，

# 超出范围则会被截断（截断指的是，当数值大于255保留为255，当数值小于0保留为0，其余不变）。

# 具体还有：CV_16S（16位无符号数），CV_16U（16位有符号数），CV_32F（32位浮点数），CV_64F（64位浮点数）

# dx,dy:当组合为dx=1,dy=0时求x方向的一阶导数，当组合为dx=0,dy=1时求y方向的一阶导数（如果同时为1，通常得不到想要的结果

# convertScaleAbs：缩放，计算绝对值，然后将结果转换为8位。

img = cv2.imread(“sobelPicture.png”)

cv2.imshow(“yuanlaidetu”, img)

# x轴方向

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)

sobelx = cv2.convertScaleAbs(sobelx)

cv2.imshow(“sobelx”, sobelx)

# y轴方向

sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1)

sobely = cv2.convertScaleAbs(sobely)

cv2.imshow(“sobely”, sobely)

# 合并

sobel = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

cv2.imshow(“sobel”, sobel)

# 图像梯度—Scharr算子：更敏感

# 图像梯度—laplacian算子：距离近

lena = cv2.imread(“lena.png”, cv2.IMREAD_GRAYSCALE)

cv2.imshow(“lena”, lena)

# Scharr

scharrx = cv2.Scharr(lena, cv2.CV_64F, 1, 0)

scharry = cv2.Scharr(lena, cv2.CV_64F, 0, 1)

scharrx = cv2.convertScaleAbs(scharrx)

scharry = cv2.convertScaleAbs(scharry)

scharr = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0)

cv2.imshow(“scharr”, scharr)

print(scharry.shape)

# Laplacian

laplacian = cv2.Laplacian(lena, cv2.CV_64F, ksize=3)

laplacian = cv2.convertScaleAbs(laplacian)

cv2.imshow(“laplacian”, laplacian)

# Canny边沿检测

# 梯度值>maxVal:则处理为边界

# minVal<梯度值

# 梯度值

img = cv2.imread(“lena.png”, cv2.IMREAD_GRAYSCALE)

cv2.imshow(“lena”, img)

lena_Canny1 = cv2.Canny(img, 80, 150)

lena_Canny2 = cv2.Canny(img, 10, 80)

cv2.imshow(“lena_Canny1”, lena_Canny1)

cv2.imshow(“lena_Canny2”, lena_Canny2)

# 图像金字塔

# 高斯金字塔

# 向下采样方法（减小：将Gi与高斯内核卷积，将所有的偶数行和列去掉）

# 向上采样方法（增大：将图像在每个方向扩大为原来两倍，新增的行列用0填充，使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值）

img = cv2.imread(“lena.png”)

cv2.imshow(“img”, img)

# 高斯金字塔

up = cv2.pyrUp(img)

up_down = cv2.pyrDown(up)

g_s = img - up_down

cv2.imshow(“g_s”, g_s)

# 拉普拉斯金字塔

img = cv2.imread(“lena.png”)

down = cv2.pyrDown(img)

down_up = cv2.pyrUp(down)

print(img.shape)

print(down_up.shape)

down_up = down_up[0:661, 0:671, :]

l_l = img - down_up

cv2.imshow(“down_up”, l_l)

# 图像轮廓：为了准确率更高，使用二值图像

img = cv2.imread(“counter1.png”)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

countours, hierarchy= cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# opencv2返回两个值：contours：hierarchy。注:opencv3会返回三个值,分别是img, countours, hierarchy

# cv2.RETR_EXTERNAL 表示只检测外轮廓

# cv2.RETR_LIST 检测的轮廓不建立等级关系

# cv2.RETR_CCOMP 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。

# cv2.RETR_TREE 建立一个等级树结构的轮廓。

# cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1

# cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

# cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法

draw_img = img.copy()

res = cv2.drawContours(draw_img, countours, -1, (0, 0, 255), 5)

cv2.imshow(“draw_img”, draw_img)

# 轮廓特征

cnt = countours[0]

# 面积

print(cv2.contourArea(cnt))

# 周长,True表示闭合的

print(cv2.arcLength(cnt, True))

# 轮廓近似

img = cv2.imread(“contour3.png”)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)

cv2.imshow(“thresh”, thresh)

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

cnt = contours[0]

draw_img = img.copy()

res = cv2.drawContours(draw_img, cnt, -1, (0, 0, 255), 1)

cv2.imshow(“res”, res)

epsilion = 0.00001*cv2.arcLength(cnt, True)

approx = cv2.approxPolyDP(cnt, epsilion, True)

# double epsilon：判断点到相对应的line segment 的距离的阈值。（距离大于此阈值则舍弃，小于此阈值则保留，

# epsilon越小，折线的形状越“接近”曲线。）

# bool closed：曲线是否闭合的标志位。

draw_img1 = img.copy()

res1 = cv2.drawContours(draw_img1, approx, -1, (0, 0, 255), 2)

cv2.imshow(“res1”, res1)

边界矩形

img = cv2.imread(“contour3.png”)

while True:

# ret, frame = vc.read()
# cv2.imshow("xianchang", frame)
# frame_part = frame[200:400, 400:800]
# cv2.imshow("frame_part", frame_part)
if cv2.waitKey(20) & 0xFF == ord('q'):
    break

cv2.destroyAllWindows()写自定义目录标题)

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接

长方形

圆

圆角长方形

菱形

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.3.0 开始 我的操作 确认？ 结束 yes no

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎