python+opencv学习day01

跟着b站的教程学习链接：https://www.bilibili.com/video/BV1RQ4y1R7M6?p=6
内容基本按照教程走，进行了一些简单的注释和总结。
无原理解释，默认学过
1.读取和处理
图片读取

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)  # opencv读取文件的路径不能有中文名
# src =img[0:50, 0:200]  # 截取图像中的一部分
b, g, r = cv.split(src)
# cv.IMREAD_GRAYSCALE 转灰度图像
cv.namedWindow("cat and girl", cv.WINDOW_AUTOSIZE)
cv.imshow("cat and girl", src)
cv.waitKey(0)  # 等待事件触发，参数0表示指令发出后立即执行。本题是按任意键执行destroyAllWindows
cv.destroyAllWindows()  # 释放窗口
cv.imwrite()

视频读取

video_test01 = cv.VideoCapture("D:/ALL_LEARN/video/test01.mp4")
# 检查是否能打开
if video_test01.isOpened():
    open, frame = video_test01.read()
else:
    open = False
while open:
    ret, frame = video_test01.read()
    if frame is None:
        break
    # if ret == True:
    if ret:
        gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)  # 转灰度图
        cv.imshow("result", gray)
        if cv.waitKey(10) & 0xFF == 27:  # 27表示键盘中退出键Esc, 10表示功能运行速度
            break
video_test01.release()
cv.destroyAllWindows()

2.ROI区域（兴趣区域）

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)  
# b, g, r = cv.split(src)
# src = cv.merge(b, g, r)  # 转回rgb图
cur_src = src.copy()
cur_src[:, :, 0] = 0  # 前两个":"表示取所有像素点
cur_src[:, :, 1] = 0  # BGR 分表用012代表，各通道置0
cv.imshow("R", cur_src)
cv.waitKey(0)
cv.destroyAllWindows()
cv.imwrite()

3.边界填充

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
replicate = cv.copyMakeBorder(src, 50, 50, 50, 50, borderType=cv.BORDER_CONSTANT)
cv.imshow("R", replicate)
cv.waitKey(0)
cv.destroyAllWindows()
cv.imwrite()
# BORDER_REPLICATE:复制边缘像素
# BORDER_CONSTANT常量法，常数值填充，value=0,
# BORDER_REFLECT:反射法，fedcba|abcdef|fedcba
# BORDER_REFLECT_101:反射法：fedcba|bcdef|edcba

4.数值计算

# img_dog = cv.imread("dog.jpg")
# img_cat = cv.imread("cat.jpg")
# img_cat1 = img_cat + 10  # 所有值+10
# img_cat[:5, :, 0]  # 打印前五行
# cv.add(img_cat, img_dog)  # 像素点相加，大于255置255
# cv.resize(img_cat, (0, 0), fx=2, fy=1)  # 重新设置大小
# cv.addWeighted(img_cat, 0.2, img_dog, 0.6)  # 图像融合
ctrl+/取消注释

5.图像阈值

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
ret, dst = cv.threshold(src, 127, 255, type=cv.THRESH_TOZERO)
cv.imshow("R", dst)
cv.waitKey(0)
cv.destroyAllWindows()
# src:输入图，单通道，灰度图
# dst:输出图、thresh:阈值，maxval:像素值超过阈值后所赋予的值
# type：二值化类型，加上INV就是其反转
# type=cv.THRESH_BINARY超过阈值部分取maxval,否则取0
# cv.THRESH_BINARY_INV超过阈值部分取0,否则取maxval
# THRESH_TOZERO大于阈值不变，否则取0
# THRESH_TRUNC:大于设为阈值，否则不变
# THRESH_MASK：不支持，未找到相关用法，尝试后全黑
# TOZERO:大于阈值不变，小于为0

6.图像平滑处理

# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
mean = cv.blur(src, (3, 3))
cv.imshow("mean", mean)
cv.waitKey(0)
cv.destroyAllWindows()
"""
1.均值滤波 
取滤波器均值
cv.blur(src,(3,3))
2.方框滤波
加入归一化
cv.boxFilter(src,-1,(3,3),normalize=False)
-1表示通道数一致
False表示不归一化，大于255取255
3.高斯滤波
构造权重矩阵
cv.GaussianBlur(src,(3,3),1)
4.中值滤波
找到均值后作为当前值
medianBlur
展示所有
res =np.hstack((,,,))
print(res)
imshow(res)
"""

7.形态学

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
kernel = np.ones((5, 5), np.uint8)
erosion = cv.erode(src, kernel, iterations=1)
cv.imshow("erosion", erosion)
cv.waitKey(0)
cv.destroyAllWindows()
"""
1.腐蚀
kernel =no.ones((5,5),np.uint8) # 核大小决定每次腐蚀面积的大小
erosion=cv.erode(src,kernel,iterations=2)#iterations迭代次数
2.膨胀
dilate=cv.dilate(src,kernel,iterations=2)#iterations迭代次数
3.开闭运算
开运算：先腐蚀后膨胀
闭运算：先膨胀后腐蚀
open = cv.morphologyEx(src,cv.MORPH_OPEN,kernel)
close = cv.morphologyEx(src,cv.MORPH_CLOSE,kernel)
"""

8.梯度计算

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
kernel = np.ones((5, 5), np.uint8)
sobel_x = cv.Sobel(src, cv.CV_64F, 1, 0, ksize=3)
sobel_x = cv.convertScaleAbs(sobel_x)  # 数值转换
cv.imshow("sobel_x", sobel_x)
cv.waitKey(0)
cv.destroyAllWindows()
"""
1.Sobel算子：[(-1 0 1)(-2 0 2)(-1 0 1)]
cv.Sobel(src,ddepth,dx,dy,ksize)
sobel_x=cv.Sobel(src,cv.CV_64F,1,0,ksize=3)
#计算dx，ddepth一般为-1，CV_64F可以表示负数的形式，然后取绝对值
sobel_x=cv.convertScaleAbs(sobel_x)#数值转换
#白到黑为正，黑到白为负，负数会被截断为0，需要取正
2.梯度计算方法
先计算dx，dy，再进行叠加（分开计算结果更好，为什么？）
sobelxy=cv.addWeighted(sobelx,0.5,sobely,0.5)
3.Scharr算子[(-3 0 3)(-10 0 10)(-3 0 3)]
对于sobel,对结果更敏感，头发线条的梯度信息也会捕捉到
4.laplacian[(0 1 0)(1 -4 1)(0 1 0)]
但同时对噪声点也敏感
"""

9.边缘检测

src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_GRAYSCALE)
# src = cv.imread("D:/ALL_LEARN/picture/cat.jpg", cv.IMREAD_COLOR)
src = src[200:500, 200:500]
v1 = cv.Canny(src, 80, 150)  # 80,150双阈值检测的阈值minVal，越小获得的边界越多
v2 = cv.Canny(src, 50, 100)
res = np.hstack((v1, v2))  # vstack
# takes 1 positional argument but 2 were given   (())
cv.imshow("res", res)
cv.waitKey(0)
cv.destroyAllWindows()
"""
Canny边缘检测
1.使用高斯滤波，去噪
2.计算每个像素点梯度和方向，sobel算子。
3.应用非极大值(Non-Maximum Suppression)抑制，消除杂散响应
极大值抑制：同一目标获得多个结果，取概率最大的结果
  1.线性插值法：亚像素点梯度的值为临近两点的均值(有权重)
  2.把一个像素的梯度离散为八个方向进行计算
4.双阈值检测边缘：进一步过滤，获得真实的边界
5.抑制鼓励弱边缘
"""