opencv+python（三）

十四、灰度化处理

# 图像灰度化的通道数变化
import numpy as np
img1 = cv2.imread('car.jpg')
print(img1.shape, img1.size, img1.dtype)
img = cv2.imread('car.jpg',cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (300,300))
img1 = cv2.resize(img1, (300,300))
print(img1.shape, img1.size, img1.dtype)
img11 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
print(img11.shape, img11.size, img11.dtype)
print(img11[:, :5])
print(img.shape, img.size, img.dtype)
print(img[:, :5])
cv2.imshow('0', img1)
cv2.imshow('1', img11)
cv2.waitKey(0)
cv2.destroyAllWindows()

十五、Canny边缘检测

 Canny边缘检测：
·1)使用高斯滤波器，以平滑图像，滤除噪声。

·2)计算图像中每个像素点的梯度强度和方向。

·3)应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

·4)应用双阈值（Double-Threshold）检测来确定真实和潜在的边缘

·5)通过抑制孤立的弱边缘最终完成边缘检测

# Canny边缘检测
import numpy as np
img = cv2.imread('car.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (300,300))
v1 = cv2.Canny(img, 80, 150)
v2 = cv2.Canny(img, 50, 100)
res = np.hstack((img, v1, v2))
cv2.imshow('0', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

 上方为梯度计算的效果图，下方为canny边缘检测的效果图

十六、图像金字塔

金字塔：对图像进行特征提取（放大和缩小各一倍）

1、高斯金字塔

向下采样

 向上采样

# 高斯金字塔
import numpy as np
img = cv2.imread('car.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (300,300))
cv2.imshow('img', img)
# 向上采样
up = cv2.pyrUp(img)
cv2.imshow('up', up)
# 向下采样
down = cv2.pyrDown(img)
cv2.imshow('down', down)
# 先向上再向下
ud = cv2.pyrDown(up)
# 先向下再向上
du = cv2.pyrUp(down)
res = np.hstack((img, ud, du))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

 

 2、拉普拉斯金字塔

结果 = 原始图像 - 向上（向下）

 

# 拉普拉斯金字塔
import numpy as np
img = cv2.imread('car.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (300,300))
up = cv2.pyrUp(img)
# 先向上再向下
ud = cv2.pyrDown(up)
# 原始图像 - 先向上再向下
result = img - ud
res = np.hstack((img, result))
cv2.imshow('res', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

 十七、轮廓检测

轮廓与边缘的区别是：轮廓是连在一起的，而边缘可以是零散的点，线段

轮廓特征、轮廓近似

 

 

# 图像轮廓检测
import numpy as np
img = cv2.imread('ellipse.png')
img = cv2.resize(img, (300,300))
# 为了更高的准确率，使用二值化图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)   # 灰度化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)   # 二值化
# 找出轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)   # 新版返回两个值
# binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # 旧版opencv返回三个值（二值化结果，轮廓信息（list类型），层级）
draw_img = img.copy()   # 复制一个新对象，不然轮廓会画在原图像上面
# 画出轮廓，参数（传入绘制图像，轮廓信息，轮廓索引（-1代表绘制出全部轮廓），颜色模式（BGR），线条厚度）
res = cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
# 取第一个轮廓
cnt = contours[0]
# print(contours)
# 求面积
print(cv2.contourArea(cnt))
# 求周长
print(cv2.arcLength(cnt, True))
# 轮廓近似
epsilon = 0.1*cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)
draw_img1 = img.copy()
res1 = cv2.drawContours(draw_img1, [approx], -1, (0, 0, 255), 2)
cv2.imshow('res1', res1)
cv2.waitKey(0)
cv2.destroyAllWindows()